Você está na página 1de 110

UNIVERSIDADE ESTADUAL PAULISTA

JLIO DE MESQUITA FILHO


Faculdade de Engenharia Campus de Ilha Solteira


NOES DE
PROBABILIDADE E ESTATSTICA
















PROF BERENICE CAMARGO DAMASCENO




2012

unesp


Noes de Probabilidade e Estatstica 1 Prof Berenice C. Damasceno
ESTATSTICA E PROBABILIDADE


1.0 ALGUMAS DEFINIES DE ESTATSTICA

Etimologicamente a palavra estatstica vem de status expresso latina que significa,
sensu lato, o estudo do estado. Os primeiros a empregarem esse termo foram os
Alemes seguidos pela Itlia, Frana, Inglaterra e ainda por outros paises.

Para Levasseur a estatstica : O estudo numrico dos fatos sociais. Yule define
estatstica como: Dados quantitativos afetados marcadamente por uma multiplicidade de
causas.

Uma definio mais usual nos dias de hoje seria: Um mtodo cientfico que permite a
anlise, em base probabilstica, de dados coligados e condensados. Ou ainda podemos
dizer que Estatstica um conjunto de mtodos quantitativos, que servem para a coleta,
organizao, reduo e apresentao de dados, anlise dos mesmos e a obteno de
concluses vlidas e tomadas de decises a partir de tais anlises.

Estatstica pode ser entendida como sendo a cincia de aprendizagem a partir de dados.
No nosso cotidiano, precisamos tomar decises, muitas vezes decises rpidas. Assim
podemos dizer que a Estatstica fornece mtodos que auxiliam o processo de tomada de
deciso.
1.1 POR QUE ESTUDAR ESTATSTICA?

O raciocnio estatstico largamente utilizado no governo e na administrao; assim,
possvel que, no futuro, um empregador venha a contratar ou promover um profissional por
causa do seu conhecimento de estatstica. Essa uma razo, esperamos que ao final
deste trabalho o leitor encontre suas prprias razes.

1.2 A NATUREZA DOS DADOS

Os dados estatsticos constituem a matria prima das pesquisas estatsticas, eles surgem
quando se fazem mensuraes ou se restringem observaes.
Estatstica descritiva: Trata-se da descrio e resumo dos dados.
Probabilidade: um estudo que envolve o acaso.
Inferncia: a anlise e interpretao de dados amostrais (Amostragem).
Modelos: So verses simplificadas (abstraes) de algum problema ou situao real.

Noes de Probabilidade e Estatstica 2 Prof Berenice C. Damasceno

1.3 TIPOS DE DADOS

Quantitativos Contnuos
Discretos


Qualitativos Nominais
Por postos

As variveis contnuas podem assumir qualquer valor num intervalo contnuo. Os dados
referentes a tais variveis dizem-se dados contnuos. Ex.: peso, comprimento, espessura
onde se usa a mensurao.

As variveis discretas assumem valores inteiros de dados discretos so os resultados da
contagem de nmeros de itens. Ex.: alunos da sala de aula, nmero de defeitos num carro
novo, acidentes de uma fbrica.

Os dados nominais surgem quando se definem categorias e se conta o nmero de
observaes pertencentes a cada categoria. Atuam dentro das variveis Qualitativas, s
quais devemos associar a valores numricos para que possamos processar
estatisticamente. Ex.: cor dos olhos (azuis, verdes, castanhos), sexo (masculino e
feminino), desempenho (excelente, bom, sofrvel, mau), etc.

Os dados por postos consistem de valores relativos atribudos para denotar ordem:
primeiro, segundo, terceiro, quarto, etc. Ex.: concurso de beleza se classificam em 1, 2,
3 colocadas.


TABELA 1: A mesma populao pode originar diferentes tipos de dados.


TIPOS DE DADOS
POPULAES CONTNUOS DISCRETOS NOMINAIS POR POSTO
Alunos de administrao idade/peso N. de classes Homens/Mulheres 3 grau

Noes de Probabilidade e Estatstica 3 Prof Berenice C. Damasceno

1.4 TIPOS DE LEVANTAMENTOS


Os levantamentos podem ser classificados em contnuos, peridicos e ocasionais:

CONTNUOS: Quando os eventos vo sendo registrados medida que ocorrem. Exemplos
os registros civis dos fatos vitais (nascimento, bitos e casamentos).

PERIDICOS: Acontecem ciclicamente. Exemplo o recenceamento, feito no Brasil a
cada dez anos. A realizao de um Censo Demogrfico representa o desafio mais
importante para um instituto de estatstica, sobretudo em um pas de dimenses
continentais como o Brasil, com 8 514 215,3 km
2
, composto por 27 Estados e 5 507
municpios existentes na data de referncia da pesquisa, abrangendo um total de
54 265 618 de domiclios pesquisados (dados do IBGE sobre o Censo de 2000).

OCASIONAIS: So aqueles realizados sem a preocupao de continuidade ou
periodicidade preestabelecidas, exemplos a maioria dos trabalhos de investigao
cientifica.

Os dados ainda podem ser classificados em: primrios e secundrios.

DADOS PRIMRIOS: Quando o investigador no encontra dados publicados adequados
ao seu estudo, parte para a realizao de um inqurito, isto , os dados so levantados
diretamente na populao no momento da investigao.

DADOS SECUNDRIOS: Quando o investigador para verificar as suas hipteses de
trabalho utiliza-se de dados j existentes, arquivados, registrados ou publicados. Podem
ser, at mesmo, dados gerados pelo Departamento de Estatstica de Populaes da
Fundao Instituto Brasileiro de Geografia e Estatstica (IBGE).


Noes de Probabilidade e Estatstica 4 Prof Berenice C. Damasceno

1.5 PLANEJAMENTO DE EXPERIMENTOS


1- Definio do problema: Um Estudo ou Uma Anlise

2- Formular plano adequado para coleta de dados

3- Organizar os dados

4- Analisar e interpretar os dados

5- Relatar as concluses

EXERCCIOS

1- Identifique os seguintes exemplos em termos de tipos de dados:

a- 17 gramas

b- 3 certos, 2 errados

c- 25 segundos

d- 25 alunos na classe

e- tamanho de camisa

f- Km/litro

g- O mais aprazvel

h- O mais lento

i- 5 acidentes no ms de maio

Responder as perguntas:

1- Defina o termo Estatstica.

2- Responder a pergunta: Por que estudar estatstica?

3- Dar exemplos de como voc, na sua profisso, poder se beneficiar do
conhecimento de Estatstica?



Noes de Probabilidade e Estatstica 5 Prof Berenice C. Damasceno

2.0 AMOSTRAGEM

AMOSTRAGEM VERSUS CENSO: Uma amostra usualmente envolve o estudo de uma
parcela dos tens de uma populao, enquanto que o censo requer o estudo de todos os
tens.
Restries ao Censo:
- Custo
- Populaes infinitas
- Dificuldade nos critrios (Preciso)
- Produtos de testes Destrutivos (fsforos, munies)
- Tempo despendido (atualizao)
- Tipos de informaes mais restritivas
Casos de excesso:
- Populaes pequenas
- Amostras grandes em relao populao
- Se exige preciso completa
- Se j so disponveis informaes completas

2.1 DEFINIES:

POPULAO: o conjunto de indivduos (ou objetos), que tem pelo menos uma varivel
comum observvel. Populao a totalidade dos elementos de um conjunto com uma
dada caracterstica, no qual se deseja fazer um determinado estudo.
AMOSTRA: qualquer subconjunto da populao extrada para se realizar estudos
estatsticos.

.











POPULAO


AMOSTRA
Noes de Probabilidade e Estatstica 6 Prof Berenice C. Damasceno

A estatstica indutiva a cincia que busca tirar concluses probabilsticas sobre a
populao, com base em resultados verificados em amostras retiradas dessa populao.
Entretanto no basta que saibamos descrever convenientemente os dados da amostra
para que possamos executar, com xito, um trabalho estatstico completo. Antes de tudo
preciso garantir que a amostra ou amostras que sero utilizadas sejam obtidas por
processos adequados.
- O que necessrio garantir, em suma, que a amostra seja Representativa da
populao.
Dois aspectos nas amostras so fundamentais, e que do a sua representatividade em
termos:
- Qualitativos: Amostras que representem todas as sub-populaes, quando for o caso.
- Quantitativos: Que possua quantidade de dados suficientes para representar a
populao.

Na indstria onde amostras so freqentemente retiradas para efeito de Controle da
Qualidade dos produtos e materiais, em geral os problemas de amostragem so mais
simples de resolver.

Por outro lado, em pesquisas sociais, econmicas ou de opinio, a complexibilidade dos
problemas de amostragem so normalmente bastante grandes.

Inferncia estatstica envolve a formulao de certos julgamentos sobre um todo aps
examinar apenas uma parte, ou a amostra, dele.

A probabilidade e a amostragem esto estreitamente correlacionadas e juntas formam o
fundamento da teoria de inferncia.

- Amostragem o ato de retirar amostra, isto , a ao.

- Amostra a quantidade de dados especificados para representar a populao.
Noes de Probabilidade e Estatstica 7 Prof Berenice C. Damasceno
Amostragem aleatria permite estimar o valor do erro possvel, isto , dizer quo
prxima est a amostra da populao, em termos de representatividade.
Amostragem no aleatria no apresenta esta caracterstica.

H vrios mtodos para extrair uma amostra, talvez o mais importante seja a amostragem
aleatria. De modo geral, a amostragem aleatria exige que cada elemento tenha a
mesma oportunidade de ser includo na amostra.

Nas Populaes discretas uma amostra aleatria aquela em que cada item da
populao tem a mesma chance de ser includo na amostra.
Nas Populaes contnuas, uma amostra aleatria aquela em que a probabilidade de
incluir na amostra qualquer intervalo de valores igual percentagem da populao que
est naquele intervalo.

Populaes finitas: quando, temos constitudo por nmeros finitos, ou fixos de
elementos, medidas ou observaes.
Ex.: Peso bruto de 3000 latas de tinta de um certo lote de produo.

Populaes infinitas: so aquelas que contm, pelo menos hipoteticamente, um nmero
infinito de elementos.
Ex.: Produo de carros V.W. produzidos no Brasil e a serem produzidos (universo
volkswagem), processo probabilstico.


2.2 AMOSTRAGEM ALEATRIA BASEADA EM NMEROS
ALEATRIOS (RANDMICOS)


As tabelas de nmeros aleatrios contm os dez algarismos 0,1,2,3,4,......,9. Esses
nmeros podem ser lidos isoladamente ou em grupos; podem ser lidos em qualquer ordem.
A probabilidade de qualquer algarismo aparecer em qualquer ponto 1/10. Portanto todas
as combinaes so igualmente provveis.
Noes de Probabilidade e Estatstica 8 Prof Berenice C. Damasceno

Conceitualmente, poderamos construir uma tabela de nmeros aleatrios numerando
dez bolinhas com os algarismos de 0 a 9 , colocando-as numa urna, misturando bem e
extraindo uma de cada vez, com reposio, anotando os valores obtidos.

A titulo de ilustrao poderamos querer selecionar aleatoriamente 15 clientes de uma lista
de 830 de um grande magazine, a finalidade poderia ser :
Estimar a freqncia de compras;
Determinar o valor mdio de cada compra;
Registrar as queixas contra o sistema.

2.3 OUTROS PLANOS DE AMOSTRAGEM

Amostragem probabilstica versus Amostragem no probabilstica.

Os planos de amostragem probabilstica so delineados de tal modo que se conhece a
probabilidade de todas as combinaes amostrais possveis. Em razo disso, pode-se
determinar a quantidade de varivel amostral numa amostra aleatria e uma estimativa do
erro amostral. A amostragem aleatria um exemplo da amostragem probabilstica.
A amostragem no probabilstica a amostragem subjetiva, ou por julgamento, onde a
variabilidade amostral no pode ser estabelecida com preciso, conseqentemente, no
possvel nenhuma estimativa do erro amostral.
A verdade que, sempre que possvel, deve-se usar a amostragem probabilstica.

2.4 AMOSTRAGEM POR JULGAMENTO (NO PROBABILSTICA)
Se o tamanho da amostra bem pequeno; digamos, de uns 5 itens, a amostragem
aleatria pode dar resultados totalmente no representativos, ao passo que uma pessoa
familiarizada com a populao pode especificar quais os itens mais representativos da
populao.
Noes de Probabilidade e Estatstica 9 Prof Berenice C. Damasceno
Exemplo: Uma equipe mdica deve trabalhar com pacientes que se apresentem como
voluntrios para testar um novo medicamento. Nenhum desses grupos podem ser
considerados como uma amostra aleatria do pblico em geral, e seria perigoso tentar
tirar concluses gerais com base em tal estudo. Todavia, os resultados poderiam
proporcionar uma base para a elaborao de um plano de amostragem aleatrio para
validar os resultados bsicos. Os perigos inerentes pesquisa mdica, bem como outro
tipo de pesquisa, freqentemente obrigam a limitar a pesquisa inicial a um pequeno grupo
de voluntrios.

Exemplo: A aplicao de hormnios em mulheres na menopausa, aps um perodo de
tempo notou-se o aumento das chances de adquirirem cncer de mama, doenas
cardacas etc.


2.5 AMOSTRAGEM PROBABILSTICA
SISTEMTICA
ESTRATIFICADA
CONGLOMERADO

AMOSTRAGEM SISTEMTICA

muito parecida com a amostragem aleatria simples. Podemos ter uma amostragem
realmente aleatria, escolhendo-se cada K-sima amostra, onde K obtem-se dividindo o
tamanho da populao pelo tamanho da amostra.

K= N onde: N= Tamanho da Populao
n n= Tamanho da Amostra

EX. N= 200 e n=10 ento K=200/10 = 20

Significa que ser escolhido um item a cada seqncia de 20 de uma lista. Para iniciar
pode-se usar uma tabela de nmeros aleatrios de 0 a 9 para iniciar os grupos. Por
exemplo se der o 9, escolhemos o 9, 29, 39 ,49 , etc.
Noes de Probabilidade e Estatstica 10 Prof Berenice C. Damasceno

AMOSTRAGEM ESTRATIFICADA

Pressupe a diviso da populao em sub-grupos Homogneos (Estratos), procedendo
ento a amostragem de cada sub-grupo. Ex.: Para se fazer o inventrio do estoque,
comum termos 10% dos itens representarem cerca de 60% do valor total em quanto que os
90% restantes representam s 40% do valor total (Curva A,B,C; Pareto; regra 80/20).

AMOSTRAGEM POR CONGLOMERADO

Pressupe a disposio dos itens de uma populao em sub-grupos heterogneos (sub-
populaes) representativos da populao global. Neste caso cada conglomerado pode ser
encarado como uma minipopulao.
Ex.: Estudo pr-eleitoral para medir a preferncia dos eleitores. (Sub-grupos: sexo,
educao, faixa etria, poder aquisitivo, regio da habitao, etc.)

Noes de Probabilidade e Estatstica 11 Prof Berenice C. Damasceno

RESUMO

A finalidade da amostra permitir fazer inferncia sobre a populao aps inspeo de
apenas parte dela. Fatores como custo, ensaios destrutivos e populaes infinitas, tornam
a amostragem prefervel a um estudo completo (Censo) da populao.

Naturalmente espera-se que a amostra seja representativa da populao da qual foi
extrada.

Potencialmente, este objetivo atingido quando a amostragem aleatria.

Para populaes discretas o termo Aleatrio significa que cada item da populao tem a
mesma chance de participar na amostra.

No caso de populaes contnuas, significa que a probabilidade de incluir qualquer valor
de um dado intervalo de valores igual proporo de valores naquele intervalo.

As amostras aleatrias podem ser obtidas:
- Atravs de um processo de mistura, como o embaralhamento de cartas;
- Pela utilizao de um processo mecnico (Misturadores);
- Utilizando-se uma tabela de nmeros aleatrios para proceder seleo de uma
lista.

Em certas condies, podem ser mais eficientes variantes da amostragem aleatria
simples, tais como amostragem sistemtica (peridica), estratificada (sub-grupos
Homogneos), ou amostragem por aglomerados (sub-grupos convenientes e
heterogneos).

A principal vantagem da amostragem aleatria que se pode determinar o grau de
variabilidade amostral, o que essencial na inferncia estatstica. Para a amostragem
no probabilstica falta esta caracterstica.
Noes de Probabilidade e Estatstica 12 Prof Berenice C. Damasceno
QUESTES PARA RECAPITULAO

1- Em que circunstncia a amostragem prefervel a um censo completo?

2- Quando se deve preferir um censo a uma amostragem?

3- Defina Amostra Aleatria.

4- Explique rapidamente as caractersticas:

a- da amostragem por conglomerado;
b- da amostragem estratificada;
c- da amostragem sistemtica.

5- O que amostragem por julgamento e em que circunstncia deve ser usada?

6- O que amostragem probabilstica e quando deve ser usada?

7- Explique o que uma populao:

a- Finita;
b- Infinita.

Noes de Probabilidade e Estatstica 13 Prof Berenice C. Damasceno
3.0 ANLISE EXPLORATRIA DE DADOS


Em alguma fase de seu trabalho, o pesquisador se v s voltas com o problema de
analisar e entender uma massa de dados, relevantes ao seu particular objeto de estudos.

De modo geral, podemos dizer que a essncia da cincia a observao e que seu
objetivo bsico a inferncia. Esta a parte da metodologia da cincia que tem por
objetivo a coleta, a reduo, a anlise e a modelagem dos dados, a partir do que,
finalmente, faz-se a inferncia para uma populao, da qual os dados (amostras) foram
obtidos.

4.0 DISTRIBUIO DE FREQNCIA


Para cada tipo de varivel existem tcnicas mais apropriadas para resumir as informaes.
Porm podemos usar algumas tcnicas empregadas num caso e adapt-las para outros.

Quando se estuda uma varivel, o maior interesse do pesquisador conhecer a
distribuio dessa varivel atravs das possveis realizaes (valores) da mesma.

Exemplo: Dados relativos a uma amostra de 36 funcionrios de uma populao de 2000
funcionrios da empresa Milsa. Ver resultados anotados na tabela abaixo.

Noes de Probabilidade e Estatstica 14 Prof Berenice C. Damasceno
TABELA 1: Dados relativos a uma amostra de 36 funcionrios de uma populao de 2000
funcionrios da empresa Milsa.

N ESTADO GRAU DE N DE SALRIO IDADE REGIO DE
CIVIL INSTRUO FILHOS (X SAL. MIN) ANOS MESES PROCEDNCIA
1 solteiro 1 grau --- 4 26 03 interior
2 casado 1 grau 1 4,56 32 10 capital
3 casado 1 grau 2 5,25 36 05 capital
4 solteiro 2 grau --- 5,73 20 10 outro
5 solteiro 1 grau --- 6,26 40 07 outro
6 casado 1 grau 0 6,66 28 00 interior
7 solteiro 1 grau --- 6,86 41 00 interior
8 solteiro 1 grau --- 7,39 43 04 capital
9 casado 2 grau 1 7,59 34 10 capital
10 solteiro 2 grau --- 7,44 23 06 outro
11 casado 2 grau 2 8,12 33 06 interior
12 solteiro 1 grau --- 8,46 27 11 capital
13 solteiro 2 grau --- 8,74 37 05 outro
14 casado 1 grau 3 8,95 44 02 outro
15 casado 2 grau 0 9,13 30 05 interior
16 solteiro 2 grau --- 9,35 38 08 outro
17 casado 2 grau 1 9,77 31 07 capital
18 casado 1 grau 2 9,8 39 07 outro
19 solteiro superior --- 10,53 25 08 interior
20 solteiro 2 grau --- 10,76 37 04 interior
21 casado 2 grau 1 11,06 30 09 outro
22 solteiro 2 grau --- 11,59 34 02 capital
23 solteiro 1 grau --- 12,00 41 00 outro
24 casado superior 0 12,79 26 01 outro
25 casado 2 grau 2 13,23 32 05 interior
26 casado 2 grau 2 13,6 35 00 outro
27 solteiro 1 grau --- 13,85 46 07 outro
28 casado 2 grau 0 14,69 29 08 interior
29 casado 2 grau 5 14,71 40 06 interior
30 casado 2 grau 2 15,99 35 10 capital
31 solteiro superior --- 16,22 31 05 outro
32 casado 2 grau 1 16,61 36 04 interior
33 casado superior 3 17,26 43 07 capital
34 solteiro superior --- 18,75 33 07 capital
35 casado 2 grau 2 19,40 48 11 capital
36 casado superior 3 23,30 42 02 interior

Noes de Probabilidade e Estatstica 15 Prof Berenice C. Damasceno

TABELA 2: Freqncia e porcentagem da amostra de 36 empregados da empresa Milsa
segundo o grau de instruo.
















TABELA 3: Freqncia e porcentagem dos 2000 empregados (Populao) da empresa
Milsa (Censo x Probabilidade)
















GRAU DE
INSTRUO TABULAO
FRQNCIA
F
FREQ. RELATIVA
FR (%)

1 grau


2 grau


superior

I I I I I I I I I I I I


I I I I I I I I I I I I I I I I I I

I I I I I I

12


18

6

33,33


50,00

16,67


TOTAL 36 100
GRAU DE
INSTRUO
FRQNCIA
F
FREQ. RELATIVA
FR % CENSO
FREQ. RELATIVA
FR % PROVVEL

1 grau

2 grau

superior


650

1020

330


32,50

51,00

16,50


33,33

50,00

16,67

TOTAL 2000 100 100
Noes de Probabilidade e Estatstica 16 Prof Berenice C. Damasceno

TABELA 4: Freqncia e porcentagens dos 36 empregados (Amostra) da empresa Milsa

CLASSES DE
SALRIOS
FREQNCIA
F
FREQ. RELATIVA
FR (%)

4 |----- 8

8 |----- 12

12 |----- 16

16 |----- 20

20 |----- 24

10

12

8

5

1

27,78

33,33

22,22

13,89

2,78
TOTAL 36 100




TABELA 5: Freqncias e porcentagem dos empregados da empresa Milsa, segundo N
de filhos


N DE FILHOS
FREQNCIA
F
FREQ. RELATIVA
FR (%)

0

1

2

3

5

4

5

7

3

1

20

25

35

15

5
TOTAL 20 100

Noes de Probabilidade e Estatstica 17 Prof Berenice C. Damasceno
5.0 APRESENTAO GRFICA

A apresentao grfica dos dados e respectivos resultados de sua anlise pode tambm
ser feita sob forma de figuras, em geral grficos ou diagramas.

Grficos devem ser auto-explicativos e de fcil compreenso, de preferncia sem
comentrios inseridos. Os grficos devem ser simples, atrair a ateno do leitor e inspirar
confiana.

5.1 DIAGRAMA DE ORDENADAS

Para sua construo traada uma reta horizontal (ou vertical) de sustentao; a partir de pontos
eqidistantes na reta, traam-se perpendiculares cujos comprimentos sejam proporcionais s
freqncias.
freqncias


12



10



8



6



4



2



0


4 I-------8 8 I-------12 12 I-------16 16 I-------20 20 I-------24
Salrios

Noes de Probabilidade e Estatstica 18 Prof Berenice C. Damasceno
5.2 DIAGRAMA DE BARRAS

A mesma distribuio acima poderia ser representada por meio de diagrama que levasse
em conta a magnitude da rea da figura geomtrica, j que a vista repousa melhor sobre
uma superfcie do que sobre uma linha.





freqncias


12



10



8



6



4



2



0



salrios




4 |---- 8 8 |---- 12 12 |----16 16 |----20 20 |----24
Noes de Probabilidade e Estatstica 19 Prof Berenice C. Damasceno
5.3 DIAGRAMA DE CRCULOS

Alm do retngulo, outra figura geomtrica utilizada o crculo ou conjunto de crculos.
Lembrando que a rea do crculo o produto do nmero irracional = (3,1416) pelo
quadrado do raio (r), isto ,
2
r . C = == = , e desde que as reas dos diversos crculos devem ser
proporcionais s magnitudes das freqncias, isto , f . C = == = onde o fator de
proporcionalidade, segue-se que:

f . =
2
r . , ou seja,
f r


=
. Se chamar


de , tem-se:
f ' r =
.
Portanto, os raios dos crculos devem ser proporcionais raiz quadrada das freqncias
das modalidades da varivel.
Assim se quisermos representar graficamente a distribuio da tabela 4, os raios do crculo
devero ser:

r
1
= 27,78 . = 5,27 . 5,27. 3 = 15.8 mm

r
2
= 33,33 . = 5.77 . 5,77. 3 = 17,3 mm

r
3
= 22,22 . = 4,71. 4,71. 3 = 14,1 mm

r
4
= 13,89 . = 3.72. 3,72. 3 = 11,1 mm

r
5
= 2,78 . = 1,66 1,66. 3 = 5,00 mm


A figura abaixo representa esta distribuio, com um adotado de 3 mm.



2,7
%

22,22
%

27,78
%

33,33
%
13,89
%
Noes de Probabilidade e Estatstica 20 Prof Berenice C. Damasceno
5.4 DIAGRAMA DE SETORES CIRCULARES


Outra opo seria atravs de setores circulares, na qual se divide a rea total de um crculo
em subreas (setores) proporcionais as freqncias.
Lembrando que o crculo compreende setores cujas reas (S) so produto do raio (r) pelo
tamanho do arco (a), isto , S = r.a, e como S deve ser proporcional freqncia f, tem-se
S= .f , onde o fator de proporcionalidade; ento:

.f = r. a

a = . f
r
Se chamarmos
r

de , tem-se S = .f , isto , os arcos e os respectivos ngulos centrais
de um crculo igual a 360, e sendo F a freqnci a total, tem-se

360= . F

ou seja:
F
360
' = == =
. Portanto
f .
F
360
a = == =
.


Assim, a distribuio de freqncia da tabela 4 representando faixas de salrios ser:



a
1
= 360x 27,78 = 100
100


a
2
= 360x 33,33 = 120
100


a
3
= 360x 22,22 = 80
100


a
4
= 360x 13,89 = 50
100


S
5
= 360x 2,78 = 10
100

Noes de Probabilidade e Estatstica 21 Prof Berenice C. Damasceno

Diagrama de Setor Circular:












.













Diagrama de Setor Circular feito automaticamente pelo Excel:

28%
33%
22%
14%
3%

120

50





100 80
10
Noes de Probabilidade e Estatstica 22 Prof Berenice C. Damasceno
5.5 DIAGRAMA LINEAR



No diagrama linear deve-se plotar os pontos nos eixos como foi feito no diagrama de
barras e em seguida unir esses pontos por semi-retas constituindo-se desta forma o
diagrama linear.











4 8 8 12 12 16 16 20 20 24
12

10

8

6

4

2

0
salrios
freq.
Noes de Probabilidade e Estatstica 23 Prof Berenice C. Damasceno

6.0 MONTAGEM DE UMA DISTRIBUIO DE FREQNCIAS

A anlise estatstica de dados relativos a uma amostra de uma populao, requer uma
aglutinao organizada de informaes, conforme regras cuja prtica demonstrou serem
eficientes.
Consideremos uma relao de pesos de pacotes de manteiga, em gramas, de uma
amostra de 100 pacotes extrados parcialmente de um processo automtico de
empacotamento.
15
A especificao de fabricao 215 gramas (200 a 230 gramas)


TABELA 6

AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO AMOSTRA PESO
1 207 21 220 41 210 61 210 81 217
2 213 22 204 42 214 62 220 82 211
3 210 23 213 43 219 63 213 83 213
4 215 24 211 44 215 64 217 84 218
5 201 25 214 45 217 65 214 85 213
6 210 26 217 46 213 66 219 86 216
7 212 27 224 47 218 67 214 87 218
8 204 28 211 48 214 68 215 88 216
9 209 29 220 49 215 69 223 89 206
10 212 30 209 50 212 70 217 90 212
11 215 31 214 51 221 71 213 91 207
12 216 32 208 52 211 72 218 92 213
13 221 33 217 53 218 73 207 93 215
14 219 34 214 54 205 74 210 94 212
15 222 35 209 55 220 75 208 95 223
16 225 36 212 56 203 76 214 96 210
17 215 37 208 57 216 77 211 97 226
18 218 38 215 58 222 78 205 98 224
19 213 39 211 59 206 79 215 99 214
20 216 40 216 60 221 80 207 100 215

O agrupamento destes dados em sub-grupos feito com base nos seguintes conceitos:
Amplitude total (RT ou ): a diferena entre a medida mxima e a medida mnima. No
caso da amostra de pacotes de manteiga acima, temos:
Noes de Probabilidade e Estatstica 24 Prof Berenice C. Damasceno
RT = 226 201 = 25 gramas
Nmero de classes (d) : o nmero de divises que estipulamos para a Amplitude Total.
Normalmente pode-se usar d
n
onde n o nmero de itens na amostra. Para o
exerccio temos d 10 100 = classes, porm deve-se utilizar sempre que possvel nmero
mpar de classes, no caso podemos usar 9 classes.
(Classe: o intervalo de variao das medidas.)

Amplitude do intervalo de classe (RI): a diferena entre os valores mximos e mnimos
de cada classe.
Amplitude do intervalo de cada classe
d
RT
RI = == =

No exerccio temos: amplitude do intervalo de cada classe 78 , 2
9
25
RI = == = = == = (aprox. 3)

RI adotado = 3 e RT adotado = 27 (comea um antes do menor e termina um depois do
maior valor)

OBS.: Normalmente usa-se um nmero mnimo de 5 e no mximo 20 classes, de
preferncia de mesma amplitude.

As classes devem ser mutuamente exclusivas, para que no haja dvida na localizao
dos valores das variveis, podemos da utilizar as seguintes simbologias para os intervalos:

0 ----I 10 intervalo aberto & fechado, para significar que o intervalo compreende os
valores da varivel maiores do que 0 (exclusive) e at 10 (inclusive);

0 I---- 10 intervalo fechado & aberto, para significar que compreende os valores da
varivel a partir de 0 (inclusive) e at 10 (exclusive);

0 ----- 10 Intervalo aberto & aberto, para significar que compreende valores maiores do
que 0 e menores do que 10.

0 I----I 10 intervalo fechado & fechado, para significar que compreende os valores da
varivel a partir de 0 (inclusive) e at 10 (inclusive).
Noes de Probabilidade e Estatstica 25 Prof Berenice C. Damasceno
TABELA DE DISTRIBUIO DAS FREQNCIAS
Para a facilidade e metodizao do processo de anlise estatstica, monta-se uma tabela
que agrupe as informaes obtidas, da forma de Tabela de Freqncias. Para os pacotes
em pauta, teremos a seguinte tabela de freqncias:
TABELA 7
VALOR COMPRIMENTO FREQ.
FREQ.
RELATIVA (%)
FREQU.
ACUM.
FREQ. ACUM.
REL (%)
CLASSE CLASSE
TABULAO
f fR F FR

1 200 I--- 203 I 1 1 1 1

2 203 I--- 206 I I I I 4 4 5 5

3 206 I--- 209 I I I I I I I I I I 10 10 15 15

4 209 I--- 212 I I I I I I I I I I I I I I I 15 15 30 30

5 212 I--- 215 I I I I I I I I I I I I I I I I I I I I I I I I I 25 25 55 55

6 215 I--- 218 I I I I I I I I I I I I I I I I I I I I I 21 21 76 76

7 218 I--- 221 I I I I I I I I I I I I I 13 13 89 89

8 221 I--- 224 I I I I I I I 7 7 96 96

9 224 I--- 227 I I I I 4 4 100 100




100 100%



Onde:
Freqncia (f) = nmero de vezes que as medidas ocorrem no intervalo de classes
Freqncia Relativa (f
R
) = porcentagem da freqncia de cada classe em relao ao total
de elementos. 100 .
n
f
f
R
= == =
Freqncia acumulada (F) = soma das freqncias at o intervalo de classe considerado.
Ex. F
5
= f
1
+ f
2
+ f
3
+ f
4
+ f
5
1 + 4 + 10 + 15 + 25 = 55
Freqncia acumulada relativa (F
R
) = soma das freqncias relativas at o intervalo
considerado. Por ex.: F
R3
= f
R1
+ f
R2
+ f
R3
1 + 4 + 10 = 15
Noes de Probabilidade e Estatstica 26 Prof Berenice C. Damasceno
7.0 REPRESENTAO GRFICA DAS VARIVEIS QUANTITATIVAS

A representao grfica da distribuio de freqncias de uma varivel tem a vantagem de,
rpida e concisamente, informar sobre a variabilidade da mesma.
Podemos optar por vrios tipos de grficos, porm qualquer que seja ele, devemos
especificar os elementos essenciais para a sua interpretao, que so:
i. o ttulo;
ii. o corpo;
iii. o cabealho;
iv. as colunas indicadoras.
TTULO a indicao que, precedendo tabela, colocado na parte superior da mesma.
Deve ser preciso, claro e conciso, indicando a natureza dos fatos estudados (o qu), e a
poca (quando) em que o mesmo foi observado.
CORPO da tabela o conjunto de linhas e colunas que contem respectivamente, as
sries horizontais e verticais de informaes. Casa, cela ou clula o cruzamento de uma
linha com uma coluna, onde se tem a freqncia com que a categoria (ou categorias)
aparece.
CABEALHO a parte da tabela em que designada a natureza (as categorias, as
modalidades da varivel) do contedo de cada coluna.
COLUNA INDICADORA a parte da tabela em que designada a natureza (as
categorias, as modalidades da varivel) do contedo de cada linha.
Os elementos complementares de uma tabela so:
i. Fontes;
ii. Notas.
FONTE o indicativo, no rodap da tabela, da entidade responsvel pela sua
organizao ou fornecedora dos dados primrios. A razo da presena da fonte no
somente honestidade cientfica, mas tambm permitir ao leitor a possibilidade de
consultar o trabalho original de onde procedem as informaes.
NOTAS so colocadas no rodap da tabela para esclarecimentos de ordem geral. E so
numeradas, podendo-se tambm usar smbolos grficos, sendo comum o asterisco.
Noes de Probabilidade e Estatstica 27 Prof Berenice C. Damasceno
7.1 HISTOGRAMA E POLIGONO DAS FREQNCIAS

1 2 3 4 5 6 7 8 9 CLASSES
FREQNCIAS
10
15
25
5
POLGONO DE
FREQNCIAS
HISTOGRAMA

Polgono de freqncias a representao grfica de uma distribuio de freqncias
atravs de um polgono, onde tomamos sobre a abscissa os pontos mdios das classes e
sobre as ordenadas as freqncias correspondentes. Depois para fechar o polgono
unimos os extremos da figura com o eixo das abscissas nos pontos mdios de uma classe
imediatamente anterior primeira e imediatamente posterior ltima, ambas as
freqncias nulas, para manter a rea sob o polgono igual a rea do histograma.



Noes de Probabilidade e Estatstica 28 Prof Berenice C. Damasceno

7.2 HISTOGRAMA E POLIGONO DE FREQNCIA RELATIVA




1 2 3 4 5 6 7 8 9 CLASSES
FREQNCIAS
RELATIVAS (%)
10
15
25
5
POLGONO DE
FREQNCIA
RELATIVA
HISTOGRAMA



Noes de Probabilidade e Estatstica 29 Prof Berenice C. Damasceno

7.3 POLIGONO DE FREQNCIA ACUMULADA OU OGIVA




1 2 3 4 5 6 7 8 9 CLASSES
FREQNCIAS
ACUMULADAS
55
100
15
POLGONO DE
FREQNCIA
ACUMULADA
HISTOGRAMA








Noes de Probabilidade e Estatstica 30 Prof Berenice C. Damasceno

7.4 POLIGONO DE FREQNCIA ACUMULADA RELATIVA




1 2 3 4 5 6 7 8 9 CLASSES
FREQNCIAS
ACUMULADAS
RELATIVAS (%)
55
100
15
POLGONO DE
FREQNCIA
ACUMULADA
RELATIVA
HISTOGRAMA


Noes de Probabilidade e Estatstica 31 Prof Berenice C. Damasceno
8.0 TIPOS DE DISTRIBUIO

As distribuies de freqncia podem se apresentar de diversas formas conforme as
figuras a seguir:

8.1 DISTRIBUIO SIMTRICA OU EM FORMA DE SINO
A distribuio simtrica quando os valores se distribuem igualmente em torno da mdia
(
__
X ou M)
A) Normal


















B) Alongada

























Noes de Probabilidade e Estatstica 32 Prof Berenice C. Damasceno


C) Achatada

















8.2 DISTRIBUIO ASSIMTRICA


aquela em que as freqncias dos valores medidos se distribuem de forma desigual em
torno da mdia.



A) Assimtrica Positiva


























Noes de Probabilidade e Estatstica 33 Prof Berenice C. Damasceno

B) Assimtrica Negativa





















8.3 DISTRIBUIO MODAL, AMODAL, BIMODAL E MULTIMODAL


Chamamos de moda (m
o
) numa distribuio, ao valor da medida ou classe que
corresponde freqncia mxima. Sob o critrio da moda as distribuies classificam-se
em:

A) DISTRIBUIO MODAL Quando a distribuio tem freqncia mxima ela
denominada modal.

















m
o


Noes de Probabilidade e Estatstica 34 Prof Berenice C. Damasceno

B) DISTRIBUIO AMODAL Quando a distribuio no tem moda














C) DISTRIBUIO BIMODAL Quando a distribuio tem duas modas.

















m
o
m
o



D) DISTRIBUIO MULTIMODAL Quando a distribuio tem mais de duas modas

















m
o
m
o
m
o


Noes de Probabilidade e Estatstica 35 Prof Berenice C. Damasceno

8.4 APRESENTAO TIPO RAMO-E-FOLHAS

Uma alternativa para o uso da tabela de distribuio de freqncias usar o grfico do tipo
ramo-e-folhas.
Podemos estudar a partir de um exemplo prtico:
Observamos os seguintes nmeros de passageiros em 50 viagens de um avio que faz a
ponte area Rio - So Paulo:


61 52 64 84 35 57 58 95 82 64

50 53 103 40 62 77 78 66 60 41

58 92 51 64 71 75 89 37 54 67

59 79 80 73 49 71 97 62 68 53

43 80 75 70 45 91 50 64 56 86

SOLUO:
F FA
3 5 7 2 2

4 0 1 3 5 9 5 7

5 0 0 1 2 3 3 4 6 7 8 8 9 12 19

6 0 1 2 2 4 4 4 4 6 7 8 11 30

7 0 1 1 3 5 5 7 8 9 9 39

8 0 0 2 4 6 9 6 45

9 1 2 5 7 4 49

10 3 1 50



A MEDIANA NESTE CASO SER m
d
= 64


Noes de Probabilidade e Estatstica 36 Prof Berenice C. Damasceno

8.5 O PICTOGRAMA


A figura abaixo mostra um exemplo de apresentao pictogrfica de dados temporais
(comumente encontrada em jornais, revistas e relatrios de vrios tipos); no caso abaixo
representa a populao dos Estados Unidos da Amrica do Norte.







1920

1930

1940

1950

1960

1970

1980

1990



Cada smbolo = 10 milhes de pessoas
(Pictograma da populao dos Estados Unidos da Amrica do Norte)


EXERCCIO

Construa uma distribuio de freqncias e faa as possveis representaes grficas para
os dados da tabela abaixo.

Tabela - Presso arterial em milmetros de mercrio, para ces adultos anestesiados
depois de determinado procedimento cirrgico. Fonte: ARAJO e HOSSNE (1977)
130,0 105,0 120,0 111,5 99,0 116,0 92,5
107,5 1250 100,0 107,5 120,0 143,0 115,0
135,0 130,0 135,0 127,5 905 104,5 136,5
100,0 145,0 125,0 104,5 101,5 102,5 101,5
134,5 138,5 110,0 102,5 90,5 107,5 1244,0
121,5 135,0 102,0 119,5 115,5 125,5 117,5
107,5 140,0 121,5 107,5 113,0 93,0 103,5

Noes de Probabilidade e Estatstica 37 Prof Berenice C. Damasceno
9.0 MEDIDAS DE POSIO OU DE TENDNCIA CENTRAL

Como o prprio nome indica, a medida de tendncia central visa a determinar o centro da
distribuio. Esta determinao, porm, no bem definida da parece razovel
chamarmos de tendncia central.

So medidas de tendncia central:

MDIA ARITMTICA SIMPLES/PONDERADA (
__
X ou M);

MEDIANA (m
d
);

MODA (m
o
).


9.1 MDIA ARITMTICA SIMPLES

Dada uma distribuio de freqncias, chama-se mdia aritmtica desta distribuio, e
representa-se por
_
X a soma de todos os valores da varivel, dividida pelo nmero de
variveis n.

n
x
X
n
1 i
i
_

= == =
= == = ou simplificadamente,
n
x
X
_

= == =

Sendo:
n 2 1
n
1 i
i
x ... x x x + ++ + + ++ + + ++ + = == =

= == =


Exemplo: Calcular a mdia aritmtica simples de 8, 3, 5, 12, 10.

6 , 7
5
38
5
10 12 5 3 8
X
_
= == = = == =
+ ++ + + ++ + + ++ + + ++ +
= == =

Noes de Probabilidade e Estatstica 38 Prof Berenice C. Damasceno

9.2 MDIA ARITMTICA PONDERADA




= == =
= == =
= == =
n
1 i
i
n
1 i
i i
__
f
f . x
X

onde: f
i
= freqncia dos dados x
i

Exemplo: Calcular a mdia ponderada dos nmeros 5, 8, 6, 2 ; os quais ocorrem com as
freqncias 3, 2, 4 e 1, respectivamente.


Nmeros x = 5, 8, 6, 2
Freqncias f = 3, 2, 4, 1

7 , 5
10
57
1 4 2 3
) 1 . 2 ( ) 4 . 6 ( ) 2 . 8 ( ) 3 . 5 (
f
f . x
X
n
1 i
i
n
1 i
i i
__
= == = = == =
+ ++ + + ++ + + ++ +
+ ++ + + ++ + + ++ +
= == = = == =


= == =
= == =


9.3 MEDIANA (m
d
)

Se ordenarmos uma seqncia de nmeros do menor para o maior e se a quantidade
desses nmeros for impar, ento a mediana ser o valor do meio, ou a mdia dos dois
valores do meio, caso a quantidade de nmeros seja par.

O smbolo que usamos para representar a mediana ser m
d
No caso de clculo da mediana quando estamos trabalhando com distribuio de
freqncia determinamos o valor mais provvel dessa distribuio a partir de:

Posio da m
d
= Freqncia acumulada total = FA
2 2
Noes de Probabilidade e Estatstica 39 Prof Berenice C. Damasceno

Ou seja, a posio da MEDIANA definida por
) )) )
` `` `



+ ++ +
2
1 n
-simo elemento quando n
mpar e temos um n mero inteiro que d a posio da mediana. Quando temos o meio do
caminho entre dois nmeros inteiros, isto , n par, a mediana ser a mdia deles.

Exemplo: Determine a posio da mediana para: (a) n=15, (b) n=45 e (c)n=88.

(a)
8
2
1 15
2
1 n
= == =
+ ++ +
= == =
+ ++ +
, e a mediana o valor do 8elemento;
(b)
23
2
1 45
2
1 n
= == =
+ ++ +
= == =
+ ++ +
, e a mediana o valor do 23elemento;
(c)
5 , 44
2
1 88
2
1 n
= == =
+ ++ +
= == =
+ ++ +
, e a mediana a mdia do valor do 44e o 45elem ento.
Ou seja, quando n par procuramos duas posies:
) )) )
` `` `




2
n
e
) )) )
` `` `




+ ++ +1
2
n

No caso do exerccio da distribuio dos 100 valores de peso de pacotes de manteiga
temos:

m
d
= FA = 100 = 50, e a mediana o valor do 50elemento
2 2





F 0 1 5 15 30 55 76 89 96 100
X 200 203 206 209 212 215 218 221 224 227

50




(55 30) (215 212) ou (55 30) (215 212)
(55 50) (50 30)

= 5 x 3 = 0,6 = 20 x 3 = 2,4
25 25
portanto a mediana ser 215 - portanto a mediana ser 212 +
logo, m
d
= 215 - 0,6 = 214,4. logo, m
d
= 212 + 2,4 = 214,4.

30 55
212 215
50
valor
Noes de Probabilidade e Estatstica 40 Prof Berenice C. Damasceno
Assim, para encontrarmos a mediana para dados tabulados agrupados em classes
podemos formalizar os passos anteriores na seguinte equao:

| || |
| || |
| || |
| || |

| || |




\ \\ \
| || |

+ ++ + = == =
med
ant
inf d
f
F
2
n
h l m , onde:

2
n
metade da quantidade de dados
h amplitude da classe mediana
l
inf
limite inferior da classe da mediana
f
med
freqncia absoluta da classe da mediana
F
ant
freqncia acumulada da classe anterior a da
mediana

Voltando ao exemplo, temos:
1 Passo: da tabela 7 - pgina 25, temos as freqncias acumuladas j calculadas;
2 Passo: n = 100 => 50
2
100
2
n
= == = = == = => localizao da classe mediana: 5 classe, isto ,
classe 212 --- 215;
3 Passo: encontrar na tabela: l
inf
, f
med
e F
ant
:
l
inf
= 212
f
med
= 25
F
ant
= 30
4 Passo: substituir os dados na equao:

4 , 214 4 , 2 212 8 , 0 . 3 212
25
30 50
3 212
f
F
2
n
h l m
med
ant
inf d
= == = + ++ + = == = + ++ + = == = | || |

| || |

\ \\ \
| || |
+ ++ + = == =
| || |
| || |
| || |
| || |

| || |




\ \\ \
| || |

+ ++ + = == =
m
d
= 214,4

Noes de Probabilidade e Estatstica 41 Prof Berenice C. Damasceno
9.3.1 SEPARATRIZES (QUARTIS, DECIS E CENTIS)

Como extenso do conceito de mediana, podemos dividir os valores em quatro, dez e cem
partes iguais. Essas divises so chamadas de quartis, decis e centis, respectivamente.
O clculo dessas divises semelhante ao da mediana, isto :

Quartis:
| || |
| || |
| || |
| || |

| || |




\ \\ \
| || |

+ ++ + = == =

i
i
Q
1 Q
inf i
f
F
4
n . i
h l Q , onde i = 1, 2, 3
Decis:
| || |
| || |
| || |
| || |

| || |




\ \\ \
| || |

+ ++ + = == =

i
i
D
1 D
inf i
f
F
10
n . i
h l D , onde i = 1, 2, 3, 4, 5, .., 9
Centis:
| || |
| || |
| || |
| || |

| || |




\ \\ \
| || |

+ ++ + = == =

i
i
C
1 C
inf i
f
F
100
n . i
h l C , onde i = 1, 2, 3, 4, 5, ..., 99
Onde:
h amplitude da classe
l
inf
limite inferior da classe da quartlica, declica ou
percentlica
f
Qi
, f
Di
, f
Ci
freqncias das classes quartlica, declica e
percentlica, respectivamente
F
Qi-1
, F
Di-1
, F
Ci-1
freqncias acumuladas da classe
anterior classe quartlica, declica ou percentlica

Voltando ao exemplo anterior, temos:
i) Se quisermos calcular o 1 Quartil, ou seja, 25% dos dados:
01 , 211 67 , 0 . 3 209
15
15
4
100
3 209
f
F
4
n . 1
h l Q
i
i
Q
1 Q
inf 1
= == = + ++ + = == =
| || |
| || |
| || |
| || |

| || |




\ \\ \
| || |

+ ++ + = == =
| || |
| || |
| || |
| || |

| || |




\ \\ \
| || |

+ ++ + = == =


Noes de Probabilidade e Estatstica 42 Prof Berenice C. Damasceno
ii) Para o 3 Quartil:
85 , 217 95 , 0 . 3 215
21
55
4
100 . 3
3 215
f
F
4
n . 3
h l Q
i
i
Q
1 Q
inf 3
= == = + ++ + = == =
| || |
| || |
| || |
| || |

| || |




\ \\ \
| || |

+ ++ + = == =
| || |
| || |
| || |
| || |

| || |




\ \\ \
| || |

+ ++ + = == =


iii) Para o 8 Decil:
93 , 218 31 , 0 . 3 218
13
76
10
100 . 8
3 218
f
F
10
n . 8
h l D
i
i
D
1 D
inf 8
= == = + ++ + = == =
| || |
| || |
| || |
| || |

| || |




\ \\ \
| || |

+ ++ + = == =
| || |
| || |
| || |
| || |

| || |




\ \\ \
| || |

+ ++ + = == =


iv) Para o 15 Centil:
209
10
5
100
100 . 15
3 206
f
F
100
n . 15
h l C
i
i
C
1 C
inf 15
= == =
| || |
| || |
| || |
| || |

| || |




\ \\ \
| || |

+ ++ + = == =
| || |
| || |
| || |
| || |

| || |




\ \\ \
| || |

+ ++ + = == =


OBS.: Caso tenhamos dados no agrupados em classes, como por exemplo a
seqncia 2,3,3,4,5,7,7,8,10,11,12,12, 13; o clculo do 3 Quartil ser:
Posio: 75 , 9
4
13 . 3
4
n . 3
= == = = == = . A posio 9,75 ser aproximada pela inteira imediatamente
posterior a ela, ou seja, a 10 posio, logo Q
3
= 11. E assim, analogamente, para
encontrar os decis e centis de uma srie de dados no agrupados em classes.

9.4 MODA ( m
o
)

Em um conjunto de nmeros a moda o valor que ocorre com maior freqncia, isto , o
valor mais comum.
Exemplos:
1) 2, 2, 3, 7, 8, 8, 8, 9, 10
moda=8
2) 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
moda = (no existe moda)
3) 2, 2, 4, 4, 4, 5, 6, 7, 8, 8, 8, 9
moda = 4 e 8
Noes de Probabilidade e Estatstica 43 Prof Berenice C. Damasceno
Para o exemplo do exerccio das distribuies de freqncias dos pacotes de manteiga
(onde os dados so tabulados agrupados em classes) uma forma de estimar o valor da
moda pela Estimativa de Pearson (para dados tabulados agrupados em classes):
m
o
= 3.m
d
2.
_
X

Voltando ao exemplo, temos:
m
o
= 3.214,4 2. 214,49 => m
o
= 214,22

onde a mdia foi calculada da forma:
4 7 13 21 25 15 10 4 1
4 . 5 , 225 7 . 5 , 222 13 . 5 , 219 21 . 5 , 216 25 . 5 , 213 15 . 5 , 210 10 . 5 , 207 4 . 5 , 204 1 . 5 , 201
X
_
+ ++ + + ++ + + ++ + + ++ + + ++ + + ++ + + ++ + + ++ +
+ ++ + + ++ + + ++ + + ++ + + ++ + + ++ + + ++ + + ++ +
= == =
=> 49 , 214 X
_
= == =

O clculo da moda pelo Mtodo de Pearson mais utilizado quando temos uma
indicao de que os trs parmetros de tendncia central (mdia, mediana e moda)
estejam muito prximos.
Um outro mtodo, de origem grfica, o Mtodo de Czuber, que utilizamos na maioria
dos casos:

h
p a
a
inf l m
o

|
|

\
|
+
+ =


onde:
linf = limite inferior da classe modal.
a = diferena entre a f
i
da classe modal e a f
i
da classe anterior. Entenderemos como
classe anterior aquela que precede classe modal.
p = diferena entre a f
i
da classe modal e a f
i
da classe posterior (aquela que vem
logo aps a classe modal).
h = amplitude da classe modal.

A equao da moda pode ser deduzida facilmente do processo grfico para determinar
a moda em um histograma.

Noes de Probabilidade e Estatstica 44 Prof Berenice C. Damasceno


Da figura acima temos m
o
= l
inf
+ x e chamando
1
de
a
e
2
de
p
, e, pela semelhana
dos tringulos ABE e CDE temos:

p a
a
p
a h
x
x h
x

+
=

=


Portanto:
h
p a
a
inf l m
o

|
|

\
|
+
+ =





Noes de Probabilidade e Estatstica 45 Prof Berenice C. Damasceno
10.0 MEDIDAS DE VARIABILIDADE (OU DE DISPERSO)

As medidas de disperso indicam se os valores esto relativamente prximos uns
dos outros, ou separados. Podemos dizer que disperso o grau com o qual os
valores numricos de uma distribuio tendem a se distanciar em torno de um valor
mdio.

Em todos os casos, o valor zero indica ausncia de disperso; a disperso aumenta
proporo que aumenta o valor da medida (amplitude, desvio-padro, varincia).



xx x x x x xxx xxx xx x x

a) pequena disperso

xx x x xxx x x x x x x x x xx x x xxx x x x xx x x x x xx

b) grande disperso



10.1 AMPLITUDE TOTAL (RT ou )

a medida mais simples de disperso. a diferena entre o maior e o menor valor das
observaes.

RT = Xmax Xmin

Embora exista simplicidade de clculo, existem duas restries ao seu uso
generalizado:

1- Utiliza apenas uma parcela das informaes contidas nas observaes. O seu valor
no se modifica mesmo que os valores das observaes variem, desde que
conservem os seus valores mximo e mnimo. Ou seja, depende apenas dos
valores externos (max e min), no sendo afetada pelos valores internos.

2- Depende do nmero de observaes na amostra. Em geral o valor da amplitude
Noes de Probabilidade e Estatstica 46 Prof Berenice C. Damasceno
cresce quando cresce o tamanho da amostra.












X min X max.

RT = pequeno


















X min X max.
RT = Grande




Noes de Probabilidade e Estatstica 47 Prof Berenice C. Damasceno
10.2 DESVIO EM RELAO MDIA ARITMTICA (d
i
)

O desvio d
i
em relao mdia de um conjunto de dados a diferena do valor x
i
e a
mdia aritmtica
_
X do conjunto, isto :
d
i
= (x
i
-
_
X )
Exemplos :
(1) Calcular os desvios d
i
para o seguinte conjunto : 3, 4, 5, 6, 7

Onde 5
5
7 6 5 4 3
X
_
= == =
+ ++ + + ++ + + ++ + + ++ +
= == =
x
i
d
i
3 -2
4 -1
5 0
6 1
7 2
d
i
= 0

(2) Calcular os desvios d
i
para a seguinte distribuio :


Onde
_
X = 86,60.
x
i
f
i
d
i
82 5 -4,60
85 10 -1,60
87 15 0,40
89 8 2,40
90 4 3,40
f
i
= 42 d
i
0

(3) Calcular os desvios d
i
para a seguinte distribuio :


Onde :
_
X = 62,91
Classes x
i
f
i
d
i
d
i
.f
i
[35, 45) 40 2 -22,91 -45,82
[45, 55) 50 13 -12,91 -167,83
[55, 65) 60 20 -2,91 -58,20
[65, 75) 70 10 7,09 70,90
[75, 85) 80 7 17,09 119,63
[85, 95) 90 3 27,09 81,27
f
i
= 55 d
i
12,55 d
i
.f
i
0

Noes de Probabilidade e Estatstica 48 Prof Berenice C. Damasceno
10.3 DESVIO MDIO (
__
d )

O desvio mdio
__
d a mdia aritmtica dos mdulos dos desvios, isto :

n
x x
n
d
d
__
i
i
__



= == = = == =
Para uma distribuio de freqncias (simples ou por classes), teremos:

n
f . x x
n
f . d
d
i
__
i
i i
__



= == = = == =

Exerccio: calcular o desvio mdio para os exemplos (1), (2) e (3) da pgina anterior.

10.4 VARINCIA (
2
ou s
2
)

Varincia da populao a soma dos quadrados dos desvios de cada observao em
relao mdia de x e divide-se por N. Indica-se a Varincia da Populao por .
Podemos fazer a mesma analogia com a Varincia da Amostra dada por S.

Varincia para uma populao:
N
f . ) x (
i
2
i 2

= == = , onde a mdia populacional e N o
tamanho da populao.
Varincia para uma amostra:
1 n
f . ) X x (
s
i
2
__
i 2


= == =

, onde
_
X a mdia amostral e n o
tamanho da amostra.
As equaes anteriores para
2
e s
2
representam uma maneira de clculo dessas medidas.
Podemos tambm utilizar as seguintes equaes:



Noes de Probabilidade e Estatstica 49 Prof Berenice C. Damasceno

N
N. ) (x f

2 2
i i 2

= ou
1 n
x n. ) (x f
s
2
__
2
i i 2




Como medida de disperso, a Varincia tem a desvantagem de apresentar como unidade
de medida o quadrado da unidade de medida dos dados. Se os dados esto em metros,
a Varincia fica em metros quadrados. O desvio padro por sua vez, fica com valor na
mesma da unidade da varivel.
Obs: A varincia sendo uma mdia de uma soma de quadrados sempre maior ou igual a
0. Ela ser nula se os valores dos dados so constantes.


10.5 DESVIO PADRO ( ou s)

a medida que determina a variao dos valores observados em torno da mdia da
distribuio, e representa a distncia do ponto de inflexo da curva at a linha da mdia.

A partir da varincia podemos calcular o desvio padro como segue:

Desvio padro da populao:
2
= == =
Desvio padro da amostra:
2
s s = == =


10.6 COEFICIENTE DE VARIAO (cv)

O coeficiente de variao cv a razo entre o desvio padro e a mdia aritmtica. Esta
medida admensional e geralmente expressa em porcentagens. A equao para o seu
clculo :
100 . cv


= == = (para populao) ou 100 .
x
s
cv
__
= == = (para amostra)

Noes de Probabilidade e Estatstica 50 Prof Berenice C. Damasceno
EXERCCIOS

(1) Calcular a mdia aritmtica para os dados da tabela:
Pesos (kg) Freqncia (f)
35 45 3
45 55 7
55 65 11
65 75 20
75 85 13
85 95 6

(2) Calcular a mediana para a tabela:
Pesos (kg) Freqncia (f)
40 50 2
50 60 5
60 70 9
70 80 20
80 90 15
90 100 9

(3) Encontre a mediana para os seguintes dados:
Estaturas (cm) Freqncia (f)
140 149 3
149 158 9
158 167 12
167 176 15
176 185 32
185 194 19
194 203 14

(4) Vinte e cinco residncias de um certo bairro foram sorteadas e visitadas por um
entrevistador que, entre outras questes, perguntou sobre o nmero de televisores. Os
dados foram os seguintes:
2, 2, 2, 3, 1, 2, 1, 1, 1, 1, 0, 1, 2, 2, 2, 2, 3, 1, 1, 3, 1, 2, 1, 0 e 2.
Organize os dados numa tabela de feqncia e determine as diversas medidas de posio.
Noes de Probabilidade e Estatstica 51 Prof Berenice C. Damasceno
(5) Num experimento, 15 coelhos foram alimentados com uma nova rao e seu peso
avaliado no fim do ms. Os dados referentes ao ganho de peso (em quilogramas)
foram os seguintes:
1,5 ; 1,6 ; 2,3 ; 1,7 ; 1,5 ; 2,0 ; 1,5 ; 1,8 ; 2,1 ; 2,1 ; 1,9 ; 1,8 ; 1,7 ; 2,5 ; e 2,2.
a) Utilizando os dados brutos acima, determine a mdia, moda e mediana desse
conjunto.
b) Organize uma tabela de freqncia com faixas de amplitude 0,2 a partir de 1,5.
c) Calcule a partir dessa tabela de freqncia e com o ponto mdio como representante
de cada classe, a mdia e a mediana.

(6) Dada a seguinte tabela:
Classes Freqncia (f)
20 30 5
30 40 9
40 50 17
50 60 28
60 70 37
70 80 15
80 90 10
Determinar:
a) a mediana;
b) o 1 Quartil;
c) o 3 Quartil;
d) o 8 Decil;
e) o 15 Centil.

(7) Calcular a moda pela estimativa de Pearson, para a tabela:
Classes Freqncia (f)
35 46 8
46 57 21
57 68 46
68 79 57
79 90 39
90 101 28
101 112 12

Noes de Probabilidade e Estatstica 52 Prof Berenice C. Damasceno
(8) Determinar o desvio padro para as medidas: 16, 11, 20, 26 e 10.

(9) Voc est indeciso em comprar um aparelho de televiso e decide avaliar algumas
informaes estatsticas, fornecidas pelo fabricante, sobre a durao (em horas) do
tubo de imagem.
Marca do aparelho GA FB HW
Mdia 8000 8200 8000
Mediana 8000 9000 7000
Desvio Padro 600 1500 2500

Com que marca voc ficaria? Justifique.

(10) A pulsao de dez estudantes, no incio de uma avaliao de Estatstica, foram as
seguintes (em batimentos por minuto): 80, 91, 84, 86, 93, 88, 80, 89, 85 e 86. Calcule a
mdia e a varincia desse conjunto de dados.

(11) Num estudo sobre consumo de combustvel, 200 automveis do mesmo ano e modelo
tiveram seu consumo observado durante 1000 quilmetros. A informao obtida
apresentada na tabela abaixo em km/litro. Calcular
__
X, S
2
e S.
Faixas Freqncia (f)
7 8 27
8 9 29
9 10 46
10 11 43
11 12 55
Calcular a mdia, mediana, moda, varincia e desvio-padro dos dados da tabela acima.
(12) 15 alunos participaram de um teste e obtiveram os seguintes resultados 60, 45, 70, 30,
85, 60, 30, 70, 60, 60, 85, 70, 70, 85 e 70.

Pede-se:
a) Construir uma tabela de dados ponderados;
b) Calcular a mdia aritmtica (ponderada);
c) Calcular o desvio padro;
d) Determinar a varincia.
Noes de Probabilidade e Estatstica 53 Prof Berenice C. Damasceno

(13) Calcular a varincia e o desvio padro para os seguintes dados:

x
i
f

30 2
45 1
60 4
70 15
85 3

.
(14) Calcular a varincia da srie de dados dada pela tabela abaixo:

Classes f
i

[2 ; 4) 2
[4 ; 6) 5
[6 ; 8) 7
[8 ; 10) 4
[10 ; 12) 3
[12 ; 14] 3



Noes de Probabilidade e Estatstica 54 Prof Berenice C. Damasceno
11.0 PROBABILIDADE

O problema fundamental da estatstica consiste em trabalhar com o acaso e a incerteza.
Chama-se probabilidade de um acontecimento a razo entre o nmero de casos
favorveis ao mesmo e o nmero total de acontecimentos possveis.
As leis da hereditariedade foram a primeira grande aplicao das probabilidades na rea
de biocincias. Hoje conhecemos muitas aplicaes: ocorrncia de mutaes, risco de
doenas, chance de sobrevivncia, distribuio e interao de espcies, etc.
A aplicao mais importante, entretanto, feita na estatstica. Nenhuma observao e
nenhuma experincia podem ser precisamente planejadas e analisadas sem algum mtodo
estatstico. Mesmo se mantivermos as condies experimentais mais constantes possveis,
a repetio de uma observao ou uma experincia dificilmente resulta sempre exatamente
igual. Sempre existem flutuaes.
Portanto, todas as concluses baseadas em dados empricos so necessariamente
encaradas com incerteza. Tentamos expressar o grau de incerteza em termos de
probabilidades. Ento, um pesquisador afirma significncia ao nvel de cinco por cento,
ele admite a possibilidade de uma afirmativa errnea. Antes da compreenso de alguns
mtodos estatsticos necessrio um conhecimento bsico sobre probabilidades.

Quando se considera uma populao limitada de P indivduos, a probabilidade de cada um
ser escolhido, ao acaso, de 1/P.

Laplace definiu probabilidade como: O quociente do nmero de casos favorveis sobre o
nmero de casos igualmente possveis. Por exemplo, se jogarmos uma moeda no
viciada para o ar, de modo geral no podemos afirmar se vai dar cara ou coroa.

Porm existem apenas dois eventos possveis: sair cara (K) ou coroa (C). Nesse
exemplo existe um caso favorvel a esse evento em dois casos possveis. A P (K) = ou
50%.

Considerando-se cara como sucesso e coroa como fracasso e representando-se o
acontecimento favorvel como P e o no favorvel como Q, temos as razes:

P= e Q =
Sendo P+Q = 1 ento P= (1 - Q) e Q = (1 - P)

Noes de Probabilidade e Estatstica 55 Prof Berenice C. Damasceno
A probabilidade de um evento A, denotada por P (A), um nmero de 0 a 1, que indica a
chance de ocorrncia do evento A. Quanto mais prxima de 1 P(A), maior a chance de
ocorrncia do evento A, e quanto mais prxima de Zero, menor a chance de ocorrncia
do evento A.

A um evento impossvel atribui-se a probabilidade Zero. Um evento certo tem probabilidade
1.

As probabilidades podem ser expressas, inclusive por valores decimais, fraes e
porcentagem como: 20%; 2 em 10; 0,2; ou ainda, 1/5.
Alm do uso na interpretao de jogos de azar, usa-se ainda a probabilidade mediante
determinada combinao de julgamento, experincia ou dados histricos, para predizer
Quo Provvel a ocorrncia de determinado evento futuro.

H numerosos exemplos de tais situaes no campo dos Negcios e do Governo. A
previso da aceitao de um novo produto, o clculo dos custos de produo, a
contratao de um novo empregado, o preparo do oramento, a avaliao do impacto de
uma reduo de impostos sobre a inflao tudo isso contm algum elemento de acaso.
Noes de Probabilidade e Estatstica 56 Prof Berenice C. Damasceno

11.1 ESPAO AMOSTRAL E EVENTOS
Consideremos o experimento que consiste em extrair uma carta de um baralho de 52
cartas. H 52 eventos elementares no espao amostral. Quanto aos eventos podemos
classific-los em:

ESPAO AMOSTRAL

COMPLEMENTO Cartas vermelhas e cartas pretas


No se interceptam cartas de
MUTUAMENTE EXCLUSIVOS copas e cartas de paus


NAO SO MUTUAMENTE Cartas de copas e figuras, tem
EXCLUSIVOS elementos em comum.


Cartas de paus, ouro, copas e
COLETIVAMENTE EXAUSTIVOS A B C D espadas


11.2 TRS ORIGENS DA PROBABILIDADE

H trs maneiras diferentes de calcular ou estimar probabilidades, O mtodo Clssico,
quando o espao amostral tem resultados igualmente provveis. O mtodo Emprico, que
se baseia na freqncia relativa de ocorrncia de um evento num grande nmero de
provas repetidas; e o mtodo Subjetivo, que utiliza estimativas pessoais baseadas num
certo grau de crena.


OBJETIVO SUBJETIVO




CLSSICO EMPRICO Opinio Pessoal
(resultados igualmente provveis) (dados histricos)
A
A B
A B
Noes de Probabilidade e Estatstica 57 Prof Berenice C. Damasceno

O Mtodo Clssico

Os jogos de azar (lanamento de moedas, jogo de dados, extrao de cartas) usualmente
apresentam resultados igualmente provveis.
Nestes casos temos:

possveis resultados de N
1
) resultado cada ( P

= == =


Se cada carta de um baralho de 52 tem a mesma chance de ser escolhida, ento a
probabilidade de extrair cada uma delas de 1/52 : P (A) = 1/52 ou 1,92%.

Da mesma forma a probabilidade de termos uma cara no lanamento de uma moeda
ou 50%. O mesmo ocorre com uma coroa, ou seja, ou 50%.

No caso de um dado temos a probabilidade de dar qualquer nmero: 1, 2, 3, 4, 5 ou 6 de
1/6 ou de 16,66%.

De forma geral vale tambm a expresso:

P(A) = Nmero de resultados associados ao evento A
Nmero total de resultados possveis

Por exemplo, a probabilidade de extrao de uma dama, de acordo com esta definio,

P (dama) = 4 damas = 4 = 1 = 7,69%
52 cartas 52 13

Analogamente, a probabilidade de obter nmero mpar no lance de um dado

P(mpar) = 3 faces = 3 ou 50%
6 faces possveis 6
Noes de Probabilidade e Estatstica 58 Prof Berenice C. Damasceno
A MATEMTICA DA PROBABILIDADE

Muitas aplicaes de estatstica exigem a determinao da probabilidade de combinaes
de eventos. H duas categorias de eventos de interesse, A e B, no espao amostral.

Pode ser necessrio determinar P(A e B), isto ; a probabilidade de ocorrncia de ambos
os eventos.

Em outras situaes, podemos querer a probabilidade de ocorrncia de A ou B, P(A ou B).

Clculo da Probabilidade da ocorrncia de dois eventos independentes
P(A e B)

Se dois eventos so independentes, ento a probabilidade da ocorrncia de ambos igual
ao produto de suas probabilidades individuais: P(A e B) = P(A) . P(B)
Exemplo: Jogam-se duas moedas equilibradas. Qual a probabilidade de ambas as faces
serem cara?
razovel admitir que os resultados das duas moedas sejam independentes um do outro.
Alm disso, para moedas equilibradas, P(cara)= . Logo P(cara e cara) ser:
1 moeda 2moeda
x = ou 25%

Clculo da Probabilidade da ocorrncia de dois eventos mutuamente exclusivos
P(A ou B ocorrer)

Se dois eventos so mutuamente exclusivos, a probabilidade de ocorrncia de qualquer um
deles a soma de suas probabilidades individuais. Para dois eventos A e B temos:

P(A ou B) = P(A) + P(B)
Exemplo: qual a probabilidade de aparecer cinco ou seis numa jogada de um dado
equilibrado?
P(cinco) ou P(seis) = P (5) + P(6) = 1 + 1 = 2 = 33,33%
6 6 6

Clculo da Probabilidade da ocorrncia de dois eventos no mutuamente
exclusivos P(A ou B ou ambos ocorrero)

Suponhamos a probabilidade de extrao de uma carta de paus ou um dez de um baralho
Noes de Probabilidade e Estatstica 59 Prof Berenice C. Damasceno
Carta de paus
de 52 cartas. Como possvel que uma carta seja simultaneamente de paus e um dez,
os eventos no so mutuamente exclusivos. Assim devemos excluir a probabilidade de
interseco. Ento temos:

P(paus) = 13 , P(dez)= 4 , P( dez de paus) = 1 ,
52 52 52
P(paus ou dez,ou ambos) = P(paus) + P(dez) - P(dez de paus)

= 13 + 4 - 1 = 16
52 52 52 52



















Os eventos paus e dez se interceptam.
NAIPE

PAUS OUROS COPAS ESPADA
PRETA VERMELHA VERMELHA PRETA
K K K
K
Q Q Q Q
J J J J
10 10 10 10
9 9 9 9
8 8 8 8
7 7 7 7
6 6 6 6
5 5 5 5
4 4 4 4
3 3 3 3
2 2 2 2
A A A A
a carta
um dez
Noes de Probabilidade e Estatstica 60 Prof Berenice C. Damasceno

Resumindo:


P (A e B), para eventos independentes (Multiplicao) P(A) x P(B)

P (A ou B), para eventos mutuamente exclusivos (Soma) P(A) + P(B)

P (A ou B ou ambos ocorrero), para eventos no mutuamente exclusivos
P(A) + P(B) - P(A interceo B)


11.4 ALGUMAS PROPRIEDADES

Como foi visto no final do item anterior, existem algumas regras de probabilidade. Neste
item detalharemos tais regras, conhecidas como propriedades da probabilidade.
Revendo, a probabilidade de um evento A ocorrer um nmero entre 0 e 1, ou seja:
0 P(A) 1
Se considerarmos o espao amostral, S, e o conjunto vazio, , como eventos, temos:

P(S) = 1 (evento certo)
P() = 0 (evento impossvel)


Exemplo: Suponha que o seguinte quadro represente uma possvel diviso dos alunos
matriculados num Instituto de Matemtica:
Noes de Probabilidade e Estatstica 61 Prof Berenice C. Damasceno

SEXO
CURSO

Homens (H)

Mulheres(F)

TOTAIS
Matemtica Pura (M) 70 40 110
Matemtica Aplicada (A) 15 15 30
Estatstica (E) 10 20 30
Computao (C) 20 10 30
TOTAIS 115 85 200

Sendo M o evento que ocorre quando, escolhendo-se ao acaso um aluno do Instituto, ele
um estudante de Matemtica Pura. A, E, C, H e F so os demais eventos com significados
anlogos. Desta maneira, temos como exemplos:
200
30
) E ( P = e
200
115
) H ( P =
Dados os eventos A e H, podemos considerar dois novos eventos:
- A H, chamado a unio de A e H, que ocorre quando pelo menos um dos eventos
ocorre;
- A H, chamado a interseco de A e H, que ocorre quando A e H ocorrem
simultaneamente.
fcil verificar na tabela anterior que
200
15
) H A ( P = , pois o aluno escolhido ter
que ser ao mesmo tempo, matriculado no curso de Matemtica Aplicada e homem.
Vemos que
200
30
) A ( P = e
200
115
) H ( P = ; suponha que o nosso clculo para P(A H)
fosse:
200
145
200
115
200
30
) H ( P ) A ( P ) H A ( P = + = + =
Se assim o fizssemos, estaramos contando duas vezes os alunos que so homens e que
esto matriculados no curso de Matemtica Aplicada, como est em destaque na tabela
anterior. Portanto a resposta correta :
200
130
200
15
200
115
200
30
) H A ( P ) H ( P ) A ( P ) H A ( P = + = + =
No entanto, considerando-se os eventos A e C, vemos que
200
30
) A ( P = ,
200
30
) C ( P = e
) C ( P ) A ( P
200
60
) C A ( P + = = . Neste caso, os eventos A e C so disjuntos ou

Noes de Probabilidade e Estatstica 62 Prof Berenice C. Damasceno

mutuamente exclusivos, pois se A ocorre, ento C no ocorre e vice-versa. Aqui, = C A
e 0 ) C A ( P = .
Portanto, se M e N so dois eventos quaisquer, teremos a chamada regra da adio
de probabilidades:
) N M ( P ) N ( P ) M ( P ) N M ( P + = ,
que se reduz a
) N ( P ) M ( P ) N M ( P + = ,
se M e N so eventos mutuamente exclusivos.
Suponha agora que estejamos somente interessados em saber se um estudante escolhido
ao acaso est matriculado como de Matemtica Pura, Aplicada, Estatstica ou
Computao, no interessando saber se homem ou mulher. Um espao amostral
C E A M S = . Os eventos A e C E M B = so chamados complementares e so
tais que S B A = e = B A . Vemos que
200
30
) A ( P = , enquanto
200
170
200
30
200
30
200
110
) B ( P = + + = , isto :
1 ) B ( P ) A ( P = +
Em geral, vamos indicar por A
C
o complementar de um evento A, e teremos, ento:
) A ( P 1 ) A ( P
C
=
As operaes de unio, interseco e complementao entre eventos possuem
propriedades anlogas quelas vlidas para operaes entre conjuntos.
Por exemplo:
(i) (A B)
C
= A
C
B
C

(A B)
C
= A
C
B
C

(ii) A A
C
=
A A
C
= S
(iii) A =
A S = A
A = A
A S = S
(iv)
C
= S
S
C
=
Noes de Probabilidade e Estatstica 63 Prof Berenice C. Damasceno

Vejamos, agora, um exemplo de aplicao das propriedades das probabilidades.
Exemplo: Consideremos um experimento e os eventos A e B associados, tais que
2
1
) A ( P = ,
3
1
) B ( P = e
4
1
) B A ( P = . Ento temos:
(a)
2
1
2
1
1 ) A ( P 1 ) A ( P
C
= = = ;

3
2
3
1
1 ) B ( P 1 ) B ( P
C
= = =
(b)
12
7
4
1
3
1
2
1
) B A ( P ) B ( P ) A ( P ) B A ( P = == = + ++ + = == = + ++ + = == =
(c) [ ]
12
5
12
7
1 ) B A ( P 1 ) B A ( P ) B A ( P
C C C
= = = =
(d) [ ]
4
3
4
1
1 ) B A ( P 1 ) B A ( P ) B A ( P
C C C
= = = =
(e) Calculemos ) B A ( P
C
, ou seja, a probabilidade que ocorra B e no ocorra A


Podemos escrever:
) B A ( ) B A ( B
C
= ,
ou seja, B pode ocorrer com A ou (exclusivo) com A
C
. Logo,
) B A ( P ) B A ( P ) B ( P
C
= ,
do que decorre
12
1
4
1
3
1
) B A ( P ) B ( P ) B A ( P
C
= = =

Noes de Probabilidade e Estatstica 64 Prof Berenice C. Damasceno
EXERCCIOS

1- Extrai-se uma s carta de um baralho de 52. Determine a probabilidade de obter:
a- Um valete
b- Uma figura
c- Uma carta vermelha
d- Uma carta de ouros
e- Um dez de paus
f- Um nove vermelho ou um oito preto
2- Joga-se uma vez um dado equilibrado; determine a probabilidade de obter:
a- Um seis;
b- Cinco, seis ou sete;
c- Um nmero par;
d- Um nmero menor que quatro.
3- Doze fichas so numeradas de 1 a 12 e colocadas numa urna. Escolhida uma
aleatoriamente, determine a probabilidade de sair:
a- O nmero 3
b- Um nmero impar
c- Um nmero menor que quatro
d- O nmero dez
4- Joga-se um par de dados equilibrados:
a- Qual a probabilidade de ambas as faces serem seis?
b- Qual a probabilidade de ambas as faces serem dois?
c- Qual a probabilidade de ambas as faces serem pares?
5- Sejam P(A) = 0,30, P(B) = 0,80 e P(A e B) = 0,15.
a- A e B so mutuamente exclusivos? Explique.
b- Determine P(A ou B).
6- Sejam A e B mutuamente exclusivos, P(A) = 0,31 e P(B) = 0,29.
a- A e B so coletivamente exaustivos? Explique.
b- Determine P(A ou B).
c- Determine P (A e B)
7- Joga-se uma moeda trs vezes. Qual a probabilidade de aparecer coroa trs vezes?
Qual a probabilidade de no aparecer coroa nas trs vezes?
Noes de Probabilidade e Estatstica 65 Prof Berenice C. Damasceno
11.5 PROBABILIDADE CONDICIONAL E INDEPENDNCIA

Voltemos tabela da pgina 59. Dado que um estudante, escolhido ao acaso, esteja
matriculado no curso de Estatstica, a probabilidade de ele ser mulher de
3
2
30
20
= . Isto
porque do total de 30 alunos que estudam Estatstica, 20 so mulheres. Escrevemos:
3
2
) a Estatstic | mulher ( P =
Para dois eventos quaisquer A e B, sendo P(B) > 0, definimos a probabilidade condicional
de A, dado B, P(A|B), como sendo:

) B ( P
) B A ( P
) B | A ( P

=
Para o exemplo mencionado, se A e B indicam, respectivamente, os eventos aluno
matriculado em Estatstica e aluno mulher, ento P(AB) = 20/200, P(B) = 30/200 e,
portanto:
3
2
200 / 30
200 / 20
) B ( P
) B A ( P
) B | A ( P = =

= ,
como havamos obtido.

Da relao anterior, isto :
) B ( P
) B PA
) B | A ( P

=
obtemos a chamada regra do produto de probabilidades, ou seja:
) B | A ( P . ) B ( P ) B A ( P =

Exemplo: Uma urna contem duas bolas brancas (B) e trs vermelhas (V). Suponha que
sorteemos duas bolas ao acaso, sem reposio. Isto significa que escolhemos a primeira
bola, verificamos a sua cor e no a devolvemos urna; misturamos as bolas restantes e
retiramos a segunda bola. O diagrama em rvore ilustra as possibilidades. Em cada galho
da rvore esto indicadas as probabilidades de ocorrncia, sendo que para algumas bolas
temos probabilidades condicionais. A probabilidade dos resultados conjuntos , ento,
dada pela regra do produto acima.
Noes de Probabilidade e Estatstica 66 Prof Berenice C. Damasceno

Resultados Probabilidades
BB
10
1
20
2
4
1
.
5
2
= =
BV
10
3
20
6
4
3
.
5
2
= =
VB
10
3
20
6
4
2
.
5
3
= =
VV
10
3
20
6
4
2
.
5
3
= =
Total 1
Exemplo: Imagine agora que as duas extraes so feitas da urna, mas a primeira bola
reposta na urna antes da extrao da segunda bola. Nestas condies, as extraes so
independentes, no sentido de que o resultado de cada extrao no tem influncia no
resultado da outra. Obtemos a seguinte situao:
Resultados Probabilidades
BB
25
4
5
2
.
5
2
=
BV
25
6
5
3
.
5
2
=
VB
25
6
5
2
.
5
3
=
VV
25
9
5
3
.
5
3
=
Total 1
Observe que aqui
) 2 na branca ( P
5
2
) 1 na branca | 2 na branca ( P = = , ou seja, se o evento A independente de
B, ento P(A|B) = P(A). Usando a regra do produto, temos:
) A ( P . ) B ( P ) B | A ( P . ) B ( P ) B A ( P = = ,
ou seja,
) B ( P . ) A ( P ) B A ( P =
, se A independente de B.
fcil ver que, se A independente de B, ento B independente de A. A equao
anterior pode ser tomada como definio de independncia, ou seja, A e B so
independentes se, e somente se, tal equao for vlida.


2/4
2/4
3/4
3/5
1/4
2/5
V
V
B
V
B
B

3/5
2/5
3/5
3/5
2/5
2/5
V
V
B
V
B
B
Noes de Probabilidade e Estatstica 67 Prof Berenice C. Damasceno
Exemplo: Considere ainda a mesma urna dos exemplos anteriores, mas vamos fazer trs
extraes sem repetio. Obtemos o esquema:















Resultados Probabilidades
BBV
60
6
20
2
1 .
4
1
.
5
2
= =
BVB
60
6
3
1
.
4
3
.
5
2
=
BVV
60
12
3
2
.
4
3
.
5
2
=
VBB
60
6
3
1
.
4
2
.
5
3
=
VBV
60
12
3
2
.
4
2
.
5
3
=
VVB
60
12
3
2
.
4
2
.
5
3
=
VVV
60
6
3
1
.
4
2
.
5
3
=
Total 60/60 = 1
Observe que P(B|B) = , ao passo que P(V|BB) = 1; da,
10
1
1 .
4
1
.
5
2
) B B | V ( P . ) B | B ( P . ) B ( P ) V B B ( P = = =
De modo geral, dados 3 eventos M, N e R, temos que:
) N M | R ( P . ) M | N ( P . ) M ( P ) R N M ( P =

1/3
2/3
2/3
1/3
2/3
1/3
1
V
V
B
B
B
V
V
2/4
2/4
3/4
3/5
1/4
2/5
V
V
B
V
B
B
Noes de Probabilidade e Estatstica 68 Prof Berenice C. Damasceno

Exemplo: A Teoria da Confiabilidade estuda sistemas e seus componentes, como, por
exemplo, sistemas mecnicos ou eletrnicos (um automvel ou um computador) e
sistemas biolgicos (como o corpo humano). O objetivo da teoria estudar relaes entre o
funcionamento dos componentes e do sistema. A figura abaixo ilustra um sistema
composto de dois componentes, ligados em srie.




O sistema funciona se os componentes 1 e 2 funcionam simultaneamente. Se um dos
componentes no funciona, o sistema tambm no funciona. Supondo que os
componentes funcionem independentemente, e se p
i
a probabilidade do componente i
(i=1,2) funcionar, ento a probabilidade do sistema funcionar p
1
.p
2
.
Chamando:
E: o sistema funciona
A
i
: o componente i funciona, i = 1,2
ento,
2 1 2 1 2 1
p . p ) A ( P . ) A ( P ) A A ( P ) E ( P = = =

Cada p
i
chamada a confiabilidade do componente i e P(E) = h(p
1
, p
2
) = p
1
. p
2
chamada
a confiabilidade do sistema.

Se os elementos 1 e 2 estiverem ligados em paralelo, como na figura abaixo, ento o
sistema funciona se pelo menos um dos dois componentes funciona. Ou seja,
2 1 2 1 2 1 2 1 2 1
p . p p p ) A A ( P ) A ( P ) A ( P ) A A ( P ) E ( P + = + = =

e a confiabilidade do sistema h(p
1
, p
2
) = p
1
+ p
2
p
1
. p
2
.






2
1
2
1
Noes de Probabilidade e Estatstica 69 Prof Berenice C. Damasceno
Vejamos agora o conceito de independncia para trs eventos. Dizemos que os eventos A,
B e C so independentes se, e somente se,

) B ( P . ) A ( P ) B A ( P = == =

) C ( P . ) A ( P ) C A ( P =

) C ( P . ) B ( P ) C B ( P =

) C ( P . ) B ( P . ) A ( P ) C B A ( P =

Esta definio pode ser estendida para um nmero finito qualquer de eventos
independentes.
Noes de Probabilidade e Estatstica 70 Prof Berenice C. Damasceno

11.6 TEOREMA DE BAYES

Uma das relaes mais importantes envolvendo probabilidades condicionais dada pelo teorema
de Bayes, que expressa uma probabilidade condicional em termos de outras probabilidades
condicionais e marginais. Vamos introduzi-lo atravs de um exemplo.
Exemplo: Temos 5 urnas exatamente iguais, cada uma com 6 bolas. Duas dessas urnas (tipo C
1
)
tm 3 bolas brancas, duas outras (tipo C
2
) tm 2 bolas brancas, e a ltima urna (tipo C
3
) tem 6
bolas brancas. Escolhemos uma urna ao acaso e dela retiramos uma bola. Qual a probabilidade da
urna escolhida ser do tipo C
3
, sabendo-se que a bola sorteada branca?
Na figura abaixo esto esquematizados o espao amostral e os eventos de interesse.



B
C
5 4 3 2 1
S
C
1
C
2
C
3
C
O
R

B


Queremos encontrar P(C
3
|B), sabendo que
2
1
6
3
) C | B ( P
5
2
) C ( P
1 1
= = =
3
1
6
2
) C | B ( P
5
2
) C ( P
2 2
= = =
1
6
6
) C | B ( P
5
1
) C ( P
3 3
= == = = == = = == =
Da definio de probabilidade condicional, temos:
P(B)
) C | P(B . ) P(C
P(B)
B) P(C
B) | P(C
3 3 3
3
=

=
Precisamos agora encontrar o valor de P(B), j que o numerador conhecido. Como C
1
, C
2
e C
3

so eventos mutuamente exclusivos, e reunidos formam o espao amostral completo, podemos
decompor o evento B, na unio de trs outros, mutuamente exclusivos, ou seja:
) B C ( ) B C ( ) B C ( B
3 2 1
=
e ento
Noes de Probabilidade e Estatstica 71 Prof Berenice C. Damasceno

15
8
1 .
5
1
3
1
.
5
2
2
1
.
5
2
) C | B ( P . ) C ( P ) C | B ( P . ) C ( P ) C | B ( P . ) C ( P
) B C ( P ) B C ( P ) B C ( P ) B ( P
3 3 2 2 1 1
3 2 1
= + + =
= + + =
= + + =


Substituindo este resultado na equao de P(C
3
|B), obtemos:
8
3
15
8
1
5
1
3 3
3
= == = = == = = == =
.
) B ( P
) C | B ( P . ) C ( P
) B | C ( P
Podemos agora generalizar os resultados acima do seguinte modo: seja C
1
, C
2
, ..., C
n
` uma
partio do espao amostral S, isto ,
C
i
C
j
= , i j, e C
1
C
2
... C
n
= S;

E consideremos A um evento qualquer. Tambm so conhecidos P(C
i
) e P(A|C
i
) para i = 1, 2,...., n.
Ento, temos o seguinte resultado, ilustrado pela figura a seguir.

Teorema de Bayes A probabilidade de ocorrncia de um dos eventos C
i
, dado que ocorreu o
evento A, dado por:

=
=
n
1 j
j j
i i
i
) C | A ( P . ) C ( P
) C | A ( P . ) C ( P
) A | C ( P
onde , i = 1, 2, ..., n.

Exemplo: Para selecionar seus funcionrios, uma empresa oferece aos candidatos um curso de
treinamento durante uma semana. Ao final, eles so submetidos a uma prova e 25% so
classificados como bons (B), 50% como mdios (M) e os restantes 25% como fracos (F).
Noes de Probabilidade e Estatstica 72 Prof Berenice C. Damasceno
Como medida de economia, o departamento de seleo pretende substituir o treinamento
por um teste contendo perguntas envolvendo conhecimentos gerais e especficos. Mas,
para isso, gostaria de conhecer qual a probabilidade de que um indivduo aprovado no
teste fosse considerado fraco, caso fizesse o curso. Assim, nesse ano antes do incio do
curso, os candidatos foram submetidos ao teste e, de acordo com os resultados,
receberam o conceito aprovado (A) ou reprovado (R). Ao final do curso, obtiveram as
seguintes probabilidades condicionais:
P(A|B) = 0,80 P(A|M) = 0,50 P(A|F) = 0,20

Queremos encontrar P(F|A), e pelo teorema de Bayes esta dada por

10 , 0
) 20 , 0 ( . ) 25 , 0 ( ) 50 , 0 ( . ) 50 , 0 ( ) 80 , 0 ( . ) 25 , 0 (
) 20 , 0 ( . ) 25 , 0 (
) F | A ( P . ) F ( P ) M | A ( P . ) M ( P ) B | A ( P . ) B ( P
) F | A ( P . ) F ( P
) A | F ( P
=
+ +
=
=
+ +
=

Ento, apenas 10% dos aprovados que seriam classificados como fracos durante o
curso. De modo anlogo, podemos encontrar:
P(B|A) = 0,40 e P(M|A) = 0,50
que seriam subsdios valiosos para ajudar a deciso de substituir o treinamento pelo teste.

11.7 ABORDAGEM TABULAR DO TEOREMA DE BAYES

O clculo de uma probabilidade condicional pelo Teorema de Bayes, muitas vezes
facilitado utilizando-se uma abordagem tabular. Nessa abordagem uma tabela com cinco
colunas ser montada. Os passos para a sua montagem so os seguintes:

(1) Na 1 coluna so colocados os eventos mutuamente exclusivos para os quais as
probabilidades posteriores so desejadas (A
i
).
(2) Na 2 coluna so colocadas as probabilidades prvias para esses eventos (P(A
i
)).
(3) Na 3 coluna so colocadas as probabilidades condicionais da nova informao
dada para cada evento (P(B|A
i
)).
Noes de Probabilidade e Estatstica 73 Prof Berenice C. Damasceno

(4) Na 4 coluna so calculadas as probabilidades associadas para cada um dos
eventos e a nova informao B, usando-se a lei da multiplicao. Essas
probabilidades associadas so encontradas multiplicando-se as probabilidades
prvias na coluna 2 pelas probabilidades condicionais na coluna 3, isto ,
P(A
i
B) = P(A
i
) . P(B|A
i
)
(5) feita, ento, a soma das probabilidades associadas na coluna 4. A soma a
probabilidade da nova informao P(B).
(6) Na 5 coluna, calcular as probabilidades posteriores usando a relao bsica de
probabilidade condicional:
) (
) (
) | (
B P
B A P
B A P
i
i

=
No exemplo anterior, aplicando-se essa abordagem, teremos a seguinte a tabela:

Eventos Probabilidades
Prvias
Probabilidades
Condicionais
Probabilidades
Associadas
Probabilidades
Posteriores
B
P(B) = 0,25 P(A|B) = 0,80 P(B). P(A|B) =
0,25.0,80 = 0,20
40 , 0
50 , 0
20 , 0
) | ( = = A B P
M P(M) = 0,50 P(A|M) = 0,50 P(M). P(A|M) =
0,50.0,50 = 0,25
50 , 0
50 , 0
25 , 0
) | ( = = A M P
F P(F) = 0,25 P(A|F) = 0,20 P(F). P(A|F) = 0,25.0,20
= 0,05
10 , 0
50 , 0
05 , 0
) | ( = = A F P
_______
1,00
_______
P(A) = 0,50
_______
1,00

OBSERVAES:
- O teorema de Bayes usado extensivamente nas anlises de decises. As
probabilidades prvias so freqentemente estimativas subjetivas fornecidas por um
tomador de deciso. A informao amostral obtida e as probabilidades posteriores
so calculadas para uso no desenvolvimento de uma estratgia de deciso.
- Um evento e seu complemento so mutuamente exclusivos e suas unies formam
uma partio. Assim, o teorema de Bayes sempre aplicvel para o clculo das
probabilidades posteriores de um evento e seu complemento.
Noes de Probabilidade e Estatstica 74 Prof Berenice C. Damasceno

EXERCCIOS
1- No exemplo da pgina 68, que trata das urnas, elabore a tabela segundo a
abordagem tabular para chegar aos valores das probabilidades posteriores.
2- A probabilidade do time de futebol So Paulo ganhar uma partida quando chove
de 0,7 e quando no chove de 0,8. No ms de setembro passado, a probabilidade de
chuva foi de 0,6. Sabendo-se que o So Paulo jogou uma partida em setembro e ganhou,
qual a probabilidade de ter chovido no dia desse jogo?
3- M. D. Computing (maio de 1991) descreve o uso do teorema de Bayes e o uso da
probabilidade condicional no diagnstico mdico. As probabilidades prvias de doenas
so baseadas na avaliao dos mdicos de variveis tais como localizao geogrfica,
influncia sazonal, ocorrncia de epidemias e assim por diante. Suponha que se acredite
que um paciente tenha uma de duas doenas, denotadas como D
1
e D
2
com P(D
1
) = 0,60 e
P(D
2
) = 0,40 , e que a pesquisa mdica tenha determinado a probabilidade associada com
cada sintoma que pode acompanhar as doenas. Suponha que, dadas as doenas D
1
e D
2
,
as probabilidades de que o paciente ter os sintomas S
1
, S
2
ou S
3
so como segue:
S
1
S
2
S
3
D
1
P(S
1
|D
1
) = 0,15 P(S
2
|D
1
) = 0,10 P(S
3
|D
1
) = 0,15
D
2
P(S
1
|D
2
) = 0,80 P(S
2
|D
2
) = 0,15 P(S
3
|D
2
) = 0,03
Depois que constatar que um certo sintoma esteja presente, o diagnstico mdico pode ser
auxiliado encontrando-se as probabilidades revisadas de cada doena em particular.
Calcule as probabilidades posteriores de cada doena dadas as seguintes constataes
mdicas:
a) O paciente tem o sintoma S
1
.
b) O paciente tem o sintoma S
2
.
c) O paciente tem o sintoma S
3
.
4- Uma companhia produz circuitos integrados em trs fbricas, I, II e III. A fbrica I
produz 40% dos circuitos, enquanto a II e a III produzem 30% cada uma. As probabilidades
de que um circuito integrado produzido por estas fbricas no funcione so 0,01, 0,04 e
0,03, respectivamente. Escolhido um circuito da produo conjunta das trs fbricas, qual a
probabilidade do mesmo no funcionar?
Noes de Probabilidade e Estatstica 75 Prof Berenice C. Damasceno
12.0 TCNICAS DE CONTAGEM

Para utilizar o mtodo clssico da probabilidade, preciso conhecer o nmero total de
resultados possveis de um experimento.

Uma das possibilidades o uso das rvores de deciso, mas quando o nmero de
resultados grande, essa lista se torna muito trabalhosa; necessrio ento recorrer a
frmulas matemticas para determinar o nmero total de resultados possveis.

Suponhamos que um estudante esteja fazendo um teste de 20 questes do tipo
verdadeiro-ou-falso. Suponhamos ainda que ele, no tenha estudado nada, esteja
dando todas as respostas na base do palpite. Qual a probabilidade de ele responder
corretamente todo o teste?

A primeira coisa a fazer determinar o nmero total de resultados possveis.

Em segundo lugar devemos explorar suas diversas verses. Imaginemos que o teste
consista de apenas:

Uma questo temos V ou F
Duas questes temos VV, VF, FV, FF
Trs questes temos VVV, VVF, VFF, VFV, FVF, FVV, FFV, FFF

Conclui-se:
Nmero de questes : 1 2 3 4
Nmero de resultados : 2 4 8 16

Nota-se que, se o nmero de itens for grande, a listagem se tornar praticamente
impossvel.

Em seguida, podemos ver um diagrama de rvore para determinar todos os arranjos
possveis.

Noes de Probabilidade e Estatstica 76 Prof Berenice C. Damasceno
QUESTO N1 QUESTO N2 QUESTO N3 RESULTADOS



















Alm disso, o que realmente necessrio determinar o nmero total de resultados;
nada se tem a ganhar identificando cada resultado.

12.1 O PRINCPIO DA MULTIPLICAO

O diagrama mostra que cada questo dobra o nmero total de resultados possveis (com
duas alternativas V ou F) temos:

NMERO DE QUESTES TOTAL DE RESULTADOS
1 2=2
2 2 x 2 =4
3 2 x 2 x 2 = 8
4 2 x 2 x 2 x 2 = 16


F
F
V
V
V
F
F
F
F
V
F
V
V
V VVV

VVF


VFV

VFF


FVV

FVF


FFV

FFF
Noes de Probabilidade e Estatstica 77 Prof Berenice C. Damasceno
Se fossem quatro escolhas para cada questo:

NMERO DE QUESTES TOTAL DE RESULTADOS
1 4=4
2 4 x 4 =16
3 4 x 4 x 4 = 64
4 4 x 4 x 4 x 4 = 256
Para solucionar o exerccio do teste, teremos:
2 x 2 x 2 x 2 x 2 x . . . . . . . x 2 = 2
20
= 1.048.576
1 2 3 4 5 . . . . . . 20

De um modo geral, se h n decises seqenciais, cada uma com m escolhas, o nmero
total de resultados m
n
.

12.2 PERMUTAO, ARRANJO E COMBINAO

Quando a ordem em que os elementos se dispem importante, o nmero total de
resultados possveis conhecido como Arranjo ou Permutao. Quando a ordem no
interessa, o nmero total de resultados possveis designado como Combinao.

Para o uso na anlise combinatria usaremos o nmero fatorial representado pelo smbolo
! como por exemplo 4! l-se quatro fatorial e significa 4 x 3 x 2 x 1 = 24.

Outros exemplos:

5! = 5 x 4 x 3 x 2 x 1 = 120
12! = 12 x 11 x 10 x 9 x 8 x 7 x ..............x 1 = 479.001.600

Os fatoriais crescem de modo extremamente rpido, medida que aumenta o nmero-
base.
Felizmente, quase nunca necessrio utilizar-se completamente os fatoriais, pois eles
aparecem em grupos, permitindo cancelamentos:

Noes de Probabilidade e Estatstica 78 Prof Berenice C. Damasceno
5! = 1
7! 42

4! = 12
2!

5! = 10
2! 3!

s vezes os fatoriais podem envolver soma e subtrao. Exemplos:

( 5 - 3 )! = 2! e no ( 5! - 3! )
( 9 - 2 )! = 7!
( 3 + 1)! = 4!
8! = 8! = 8 x 7 x 6 x 5! = 8 x 7 x 6 = 56
3! ( 8 3 )! 3! . 5! 3 x 2 x 5! 3 x 2

O fatorial de zero igual a um 0! = 1.
O fatorial de 1 igual a um 1! = 1.

ARRANJOS

So agrupamentos que podem variar pela ordem ou natureza dos elementos. Quando se
consideram n elementos distintos tomados x a x chamamos arranjo ou agrupamentos
enerios que se podem formar com esses n elementos, dispomos de todas as formas
possveis de modo que dois arranjos quaisquer difiram ao menos pela ordem dos
elementos.

Assim, os arranjos possveis com as letras A, B e C so A 3,2 (3 elementos dois a dois)
A 3,2 = AB; BA; AC; CA, BC; CB.

E com os nmeros: 2, 6 e 8 podem ser feitos os seguintes arranjos A 3,2
A 3,2 = 26; 28; 62; 68; 82; 86.
Noes de Probabilidade e Estatstica 79 Prof Berenice C. Damasceno
Portanto:
)! x n (
! n
A
x , n

=



Outro exemplo: Se h sete cavalos num preo, quantos arranjos h considerando 1,2e
3lugares?

Ou seja, 7 elementos tomados 3 a 3
A
7,3
= 7! = 7! = 7 x 6 x 5 x 4! = 7 x 6 x 5 = 210
( 7 3 )! 4! 4!


PERMUTAO

Denomina-se permutao aos arranjos de objetos tomados n a n. Neste caso cada objeto
entra s uma vez em todos os grupos.

Em geral o nmero de permutaes distintas com n itens, dos quais n
1
so indistinguveis
de um tipo, n
2
de outro tipo, etc, :

) ! n ( ... ) ! n ( ) ! n ( ) ! n (
! n
P
k 3 2 1
n ..., , n , n
n
K 2 1
=
(permutao com repeties)

Exemplo: Quantas permutaes distintas de 3 letras podemos formar com as letras:
R R R R U U U N
4 3 1

Soluo
H 8 letras : 4Rs 3Us 1N dai:

280
) ! 1 ( ) ! 3 ( ) ! 4 (
! 8
P
1 3 4
8
= == = = == =


Noes de Probabilidade e Estatstica 80 Prof Berenice C. Damasceno

COMBINAO


Chama-se combinao quando no interessa a ordem para denotar o nmero de
agrupamentos distintos possveis.

Exemplo: a escolha de 2 tipos de vegetal de um cardpio com 5 tipos. A escolha de
batata e cenoura a mesma que cenoura e batata.

De um modo geral, para agrupamentos de tamanho x extrados de uma lista de n itens, o
Nmero de combinaes possveis :


( )
n
x x , n
)! x n ( ! x
! n
C =

=



Quantos comits distintos, de 3 pessoas cada um, podemos formar com um grupo de 10
pessoas?

120
! 7 . 2 . 3
! 7 . 8 . 9 . 10
! 7 ! 3
! 10
)! 3 10 ( ! 3
! 10
C
3 , 10
= == = = == = = == =

= == =


De quantas maneiras podemos formar um comit de 1 mulher e 2 homens, de um total de
4 mulheres e 6 homens.

Mulheres e Homens => 60 15 . 4
! 4 ! 2
! 6
.
! 3 ! 1
! 4
C . C
2 , 6 1 , 4
= == = = == = = == =

Noes de Probabilidade e Estatstica 81 Prof Berenice C. Damasceno

REGRAS DE CONTAGEM



REGRA DA MULTIPLICAO: o produto do nmero de escolhas para uma seqncia de
decises m
n
, onde m = nmero de escolhas e n = decises seqenciais.


ARRANJOS: Nmero de agrupamentos em que interfere a ordem

)! x n (
! n
A
x , n

=



PERMUTAO COM REPETIES (OU DISTINGVEIS): alguns itens so idnticos, e a
ordem importante.

) ! n ( ... ) ! n ( ) ! n ( ) ! n (
! n
P
k 3 2 1
n ..., , n , n
n
K 2 1
=


OBS: Permutao simples: P
n
= n!

COMBINAES: a ordem no importa.


( )
n
x x , n
)! x n ( ! x
! n
C =

=



Noes de Probabilidade e Estatstica 82 Prof Berenice C. Damasceno

EXERCCIOS

1- Calcule:
a- 2! b- 3! c- 10! d- 1! e- 0!

2- Calcule:


a-
| || |
| || |

| || |


\ \\ \
| || |
2
3
b-
| || |
| || |

| || |


\ \\ \
| || |
4
4
c-
| || |
| || |

| || |


\ \\ \
| || |
1
5
d-
| || |
| || |

| || |


\ \\ \
| || |
6
9



3- Determine o nmero de arranjos:

a- A 3,2 b- A 4,4 c- A 5,1 d- A 9,6 e- A 1,0

4- Um vendedor de automveis deseja impressionar os possveis compradores com o
maior Nmero de combinaes diferentes possveis. Um modelo pode ser dotado de
trs tipos de motor, dois tipos de transmisso, cinco cores externas e duas internas.
Quantas so a escolhas possveis?

5- Em um determinado Estado, as placas de licena constam de trs letras e quatro
algarismos. Quantas placas diferentes podemos formar admitindo-se o uso de todas as
(26 letras) e os (10 algarismos)?

6- Quantas permutaes distintas podem ser feitas com as letras da palavra
ESTATSTICA?

7- Se um torneio de basquetebol consiste de 36 times, de quantas maneiras podem ser
conquistados os trs primeiros lugares?

8- De quantas maneiras diferentes podemos escolher um comit de cinco pessoas dentre
oito?

9- A Pizzaria ISA oferece as seguintes escolhas de pizza: presunto, cogumelos, pimento,
enchovas e muzzarella. De quantas maneiras podemos escolher dois tipos diferente de
pizza?

Noes de Probabilidade e Estatstica 83 Prof Berenice C. Damasceno
=>0,50

13.0 VARIVEL ALEATRIA E DISTRIBUIO DE
PROBABILIDADE

13.1 DEFINIO DE VARIVEL ALEATRIA

Introduzidas s noes fundamentais sobre a teoria das probabilidades, podemos
passar s chamadas Distribuies de Probabilidades.
Uma distribuio de probabilidades uma distribuio de freqncia relativa para
os resultados de um espao amostral (isto , para os resultados de uma varivel
aleatria); que mostra a proporo das vezes em que a varivel aleatria tende a assumir
cada um dos diversos valores.
Consideremos a varivel aleatria nmero de caras em duas jogadas de uma
moeda, eis a lista dos pontos do espao amostral e os valores correspondentes v.a.:
(Sendo K = cara e C = coroa)
Resultados Valor de v.a.
CC 0
CK 1
KC 1
KK 2

Se a moeda equilibrada, P(K) = P(C) = . As probabilidades dos diversos resultados so:

Resultados Pobabilidade do Resultado
P(x)
Nmero de Caras
CC
25 , 0
4
1
2
1
.
2
1
= == = = == =
0
CK
25 , 0
4
1
2
1
.
2
1
= == = = == =
1
KC
25 , 0
4
1
2
1
.
2
1
= == = = == =
1
KK
25 , 0
4
1
2
1
.
2
1
= == = = == =
2


Noes de Probabilidade e Estatstica 84 Prof Berenice C. Damasceno

Assim, pois, a distribuio de probabilidades para o nmero de caras em duas jogadas de
uma moeda :

Nmero de Caras P(x)
0 0,25
1 0,50
2 0,25

1,00

Nota-se que a soma de todas as probabilidades 1,00, como de se esperar, pois os
resultados apresentados so mutuamente exclusivos e coletivamente exaustivos. A
mesma distribuio pode ser apresentada em forma acumulada.
Nmero de Caras P(x ou menos)
0 0,25
1 0,75
2 1,00


Graficamente, as distribuies de probabilidade e acumulada se apresentam:

P
1,00 R 1,00
O 1,OO
B
A
P B
R 0,75 I 0,75
O L 0,75
B I
A D
B A
I 0,5 D 0,5
L 0,5 E
I
D A
A C
D 0,25 U 0,25
E 0,25 0,25 M 0,25
U
L
A
0 D 0
0 1 2 A 0 1 2
NMERO DE CARAS
NMERO DE CARAS


Noes de Probabilidade e Estatstica 85 Prof Berenice C. Damasceno
Portanto conclumos que uma varivel aleatria (v.a.) fornece um meio para se descrever
por valores numricos os resultados experimentais. Uma v.a. uma descrio numrica do
resultado de um experimento.
Uma v.a. pode ser classificada como discreta ou contnua, dependendo dos valores
numricos que ela assume.

VARIVEIS ALEATRIAS DISCRETAS

Uma v.a. que pode assumir tanto um nmero finito de valores como infinita seqncia de
valores tais como 0, 1, 2, 3, ... denominada varivel aleatria discreta. Por exemplo,
considere o experimento de um contador que faz um exame pblico. O exame tem quatro
partes. Podemos definir a v.a. discreta como x o nmero de partes em que foi aprovado
no exame. Essa v.a. discreta pode assumir o nmero finito de valores 0, 1, 2, 3 ou 4.
Como outro exemplo, considere o experimento de carros que chegam a um posto de
pedgio. A v.a. de interesse x o nmero de carros que chega durante o perodo de um
dia. Os possveis valores de x vm da seqncia de inteiros 0, 1, 2 e assim por diante.
Portanto x uma v.a. discreta que assume um dos valores nessa seqncia infinita.
Embora muitos experimentos tenham resultados que so naturalmente descritos por
valores numricos, outros no o so. Por exemplo, uma questo de um levantamento pode
solicitar a um indivduo que relembre a mensagem de um recente comercial de televiso.
Esse experimento poderia ter dois resultados possveis: o indivduo no pode lembrar a
mensagem e o indivduo pode lembrar a mensagem. Podemos ainda descrever esses
resultados experimentais numericamente, definindo-se a v.a. discreta x como segue: seja x
= 0 se o indivduo no pode lembrar a mensagem e x = 1 se o indivduo pode lembrar a
mensagem. Os valores numricos para essa v.a. so arbitrrios (poderamos usar 5 e 10),
mas eles so aceitveis em termos da definio de uma v.a..
Outros exemplos de v.a. discretas so dados a seguir:

Noes de Probabilidade e Estatstica 86 Prof Berenice C. Damasceno

Exemplos de v.a. discretas
Experimento v.a. (x) Possveis valores para v.a.
Contatar cinco clientes Nmero de clientes que
colocam um pedido de
compra
0, 1, 2, 3, 4, 5
Inspecionar um embarque
de 50 rdios
Nmero de rdios
defeituosos
0, 1, 2, ..., 49, 50
Operar um restaurante por
um dia
Nmero de clientes 0, 1, 2, 3, 4, ...
Vender um automvel Gnero do cliente 0 se masculino,
1 se feminino

VARIVEIS ALEATRIAS CONTNUAS

Uma v.a. que pode assumir qualquer valor numrico em um intervalo ou numa coleo de
intervalos chamada v.a. contnua. Resultados experimentais que so baseados em
escalas de medidas tais como peso, tempo, distncia e temperatura podem ser descritos
por v.a. contnuas. Por exemplo considere, o experimento de monitorar as chamadas
telefnicas que chegam a um escritrio de reclamaes de uma grande empresa de
seguros. Suponha que a v.a. de interesse seja x o tempo em minutos entre chamadas
consecutivas recebidas. Essa v.a. pode assumir qualquer valor no intervalo x 0.
Realmente, um nmero infinito de valores so possveis para x, incluindo valores tais como
1,27 minutos, 2,471 minutos, 4,5555 minutos e assim por diante. Como um outro exemplo,
considere um trecho de 144 Km de uma auto-estrada interestadual ao norte de Atlanta,
Gergia, nos USA. Para um servio de emergncia localizado em Atlanta, podemos definir
a v.a. como x a localizao do prximo acidente de trnsito ao longo desse trecho da
auto-estrada. Neste caso, x seria uma v.a. contnua que assume qualquer valor no intervalo
0 x 144. Outros exemplos so apresentados na tabela abaixo.

Noes de Probabilidade e Estatstica 87 Prof Berenice C. Damasceno


Exemplos de v.a. contnuas
Experimento v.a. (x) Possveis valores para v.a.
Operar um banco Tempo entre as chegadas
dos clientes em minutos
x 0 (min)
Encher um recipiente de
refrigerante (mx = 343 ml)
Nmero de ml 0 x 343 (ml)
Trabalhar num projeto para
a construo de uma nova
biblioteca
Porcentagem de trmino do
projeto aps 6 meses
0 x 100 (%)
Testar um novo processo
qumico
Temperatura quando a
reao desejada ocorre
(mn 65 C e mx 100 C)
65 x 100 (C)


Observao: Um modo de determinar se uma v.a. discreta ou contnua pensar nos
valores da v.a. como pontos sobre um segmento de reta. Escolha 2 pontos que
representam valores da v.a.. Se todo o segmento de reta entre os 2 pontos tambm
representa possveis valores para a v.a., ento a v.a. contnua.

Noes de Probabilidade e Estatstica 88 Prof Berenice C. Damasceno

EXERCCIO:

Uma srie de experimentos e v.a. s associadas so listados a seguir. Em cada caso,
identifique os valores que a v.a. pode assumir e estabelea se a v.a. discreta ou
contnua.

Experimento v.a. (x)
a. Fazer um exame com 20 questes Nmero de questes respondidas
corretamente
b. Observar carros que chegam a um posto
de pedgio, no espao de uma hora
Nmero de carros que chegam ao posto de
pedgio
c. Auditar 50 declaraes de imposto Nmero de declaraes que contm erros
d. Observar o trabalho de um operrio Nmero de horas no produtivas em um dia
de trabalho de 8 horas
e. Pesar um carregamento de produtos Nmero de quilos


DISTRIBUIES DISCRETAS DE PROBABILIDADE

A distribuio de probabilidade para uma v.a. descreve como as probabilidades esto
distribudas sobre os valores da v.a.. Para uma v.a. discreta x, a distribuio de
probabilidade definida por uma funo de probabilidade, denotada por f(x). A funo de
probabilidade fornece a probabilidade para cada um dos valores da v.a..
Como exemplo de v.a. discreta e sua distribuio de probabilidade, considere as vendas de
automveis de uma revendedora chamada X-Motors. Nos ltimos 300 dias de operao, os
dados de vendas mostram 54 dias sem vendas de automveis, 117 dias com um
automvel vendido, 72 dias com dois automveis vendidos, 42 dias com trs automveis
vendidos, 12 dias com quatro automveis vendidos e 3 dias com cinco automveis
vendidos. Suponha que consideremos o experimento de selecionar um dia de operao na
X-Motors. Definimos a v.a. de interesse como x o nmero de automveis vendidos
durante um dia. A partir dos dados histricos conhecidos, sabemos que x uma v.a.
discreta que pode assumir os valores 0, 1, 2, 3, 4 ou 5. Na notao da funo de
probabilidade, f(0) fornece a probabilidade de 0 automveis vendidos, f(1) fornece a
probabilidade de 1 automvel vendido e assim por diante. Uma vez que os dados mostram
54 dos 300 dias com 0, atribumos o valor 54/300 = 0,18 para f(0), indicando que a
probabilidade de 0 automvel ter sido vendido durante um dia de 0,18. Analogamente,
Noes de Probabilidade e Estatstica 89 Prof Berenice C. Damasceno
podemos calcular as demais funes, mostradas na tabela a seguir.

Distribuio de probabilidade para o nmero de automveis vendidos durante um
dia na X-Motors
x f(x)
0 0,18
1 0,39
2 0,24
3 0,14
4 0,04
5 0,01
Total 1,00

No desenvolvimento de uma funo de probabilidade para qualquer v.a. discreta, as duas
condies seguintes precisam ser satisfeitas:
1. f(x) 0
2. f(x) = 1

O exemplo mais simples de uma distribuio discreta de probabilidade a distribuio
uniforme de probabilidade. Sua funo de probabilidade dada a seguir:

f(x) = 1/n
onde:
n o nmero de valores que a v.a. pode assumir

por exemplo considere o experimento de lanamento de um dado e defina a v.a. x como
sendo o nmero da face voltada para cima. Existem n = 6 valores possveis para a v.a.; x =
1, 2, 3, 4 , 5, 6. Assim a funo de probabilidade para esta v.a.
f(x) = 1/6 x = 1,2,3,4,5,6


Noes de Probabilidade e Estatstica 90 Prof Berenice C. Damasceno
Os valores possveis da v.a. e as probabilidades associadas so mostrados a seguir:

x f(x)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6

VALOR ESPERADO E VARINCIA DE UMA V.A. DISCRETA

VALOR ESPERADO

O valor esperado, ou mdia, de uma v.a. discreta a medida de posio central para a
v.a.. A expresso matemtica para o valor esperado da v.a. x dada por:

E(x) = = x.f(x)

Voltando ao exemplo anterior da X-Motors, temos:

Clculo do valor esperado para o n de automveis vendidos durante um
dia na X-Motors
x f(x) x.f(x)
0 0,18 0,00
1 0,39 0,39
2 0,24 0,48
3 0,14 0,42
4 0,04 0,16
5 0,01 0,05
Total 1,00 1,50

Noes de Probabilidade e Estatstica 91 Prof Berenice C. Damasceno

Portanto E(x) = = x.f(x) = 1,50.


VARINCIA

Enquanto o valor esperado fornece o valor mdio para a v.a., freqentemente
necessitamos de uma medida de variabilidade ou de disperso. A expresso matemtica
para a varincia :

Var(x) =
2
= (x - )
2
. f(x)

E o desvio padro ser:

=
2


No exemplo anterior temos:


Clculo da varincia para o n de automveis vendidos durante um dia
na X-Motors
x f(x) (x - )
2
. f(x)
0 0,18 0,4050
1 0,39 0,0975
2 0,24 0,0600
3 0,14 0,3150
4 0,04 0,2500
5 0,01 0,1225
Total 1,00 1,2500

Portanto Var(x) =
2
= (x - )
2
. f(x) = 1,25.


Noes de Probabilidade e Estatstica 92 Prof Berenice C. Damasceno
EXERCCIOS:

1 - A seguinte tabela uma distribuio de probabilidade para v.a. x:

x f(x)
3 0,25
6 0,50
9 0,25
Total 1,00

a) Calcule E(x), o valor esperado de x.
b) Calcule
2
, a varincia de x.
c) Calcule , o desvio padro de x.

2 - A seguinte tabela uma distribuio de probabilidade para v.a. y:

y f(y)
2 0,20
4 0,30
7 0,40
8 0,10
Total 1,00

a) Calcule E(y).
b) Calcule Var(y) e .

3 - Um servio voluntrio de ambulncias atende de 0 a 5 chamadas de servio em
qualquer dia. A distribuio de probabilidade para o nmero de chamadas de servio :
Noes de Probabilidade e Estatstica 93 Prof Berenice C. Damasceno


Nmero de chamadas
de servio
Probabilidade
0 0,10
1 0,15
2 0,30
3 0,20
4 0,15
5 0,10

a) Qual o nmero esperado de chamadas de servio?
b) Qual a varincia no nmero de chamadas de servio? Qual o desvio
padro?

4 - O Statistical Abstract of the United States, 1997, mostra que o nmero mdio de
aparelhos de televiso por famlia de 2,3. Considere que a distribuio de
probabilidade para o nmero de aparelhos de televiso por famlia mostrado a seguir:


x f(x)
0 0,01
1 0,23
2 0,41
3 0,20
4 0,10
5 0,05

a) Calcule o valor esperado do nmero de aparelhos de televiso por famlia e
compare-o com a mdia relatada no Statistical Abstract.
b) Qual a varincia e o desvio padro do nmero de aparelhos por famlia?

Noes de Probabilidade e Estatstica 94 Prof Berenice C. Damasceno

13.2 DISTRIBUIO BINOMIAL

A distribuio binomial de probabilidade uma distribuio discreta de probabilidade que
tem muitas aplicaes. Ela est associada a um experimento de mltipla etapa que
chamamos de experimento binomial.

Um experimento binomial

Um experimento binomial tem as quatro seguintes propriedades:

(1) O experimento consiste de uma seqncia de n ensaios idnticos.
(2) Dois resultados so possveis em cada ensaio. Referimo-nos a um como um
sucesso e ao outro como um fracasso.
(3) A probabilidade de um sucesso, denotado por p, no se modifica de ensaio para
ensaio. Conseqentemente, a probabilidade de um fracasso, denotado por q (onde
q = 1 p), no se modifica de ensaio para ensaio.
(4) Os ensaios so independentes.

Se as propriedades 2, 3 e 4 esto presentes, dizemos que os ensaios so gerados por um
processo de Bernoulli. Se alm disso, a propriedade 1 est presente, dizemos que temos
um experimento binomial.

Suponhamos agora o experimento E4= Lanamento de 4 moedas. A tabela abaixo
mostra todas as possibilidades de combinaes cara/coroa, os eventos que estas
combinaes originam e os valores correspondentes da varivel aleatria X : Nmero de
vezes que sai Cara.

Noes de Probabilidade e Estatstica 95 Prof Berenice C. Damasceno

POSSIBILIDADE MOEDA N EVENTO VALOR DE X
N 1, 2, 3, 4 ( NDE VEZES QUE SAI CARA)
1 C C C C 0K e 4C 0

2a C C C K 1K e 3C 1
2b C C K C
2c C K C C
2d K C C C

3a C C K K 2K e 2C 2
3b C K K C
3c K K C C
3d C K C K
3e K C K C
3f K C C K

4a K K K C 3K e 1C 3
4b K K C K
4c K C K K
4d C K K K

5 K K K K 4K e 0C 4




Utilizando as regras do produto para eventos independentes (e) e da adio para eventos
mutuamente exclusivos (ou) possvel calcular as probabilidades associadas aos valores
de X.

A probabilidade de X=0 obtida pelo conhecimento de termos 4 coroas, sabe-se que a
probabilidade de sair coroa , a probabilidade final ser: 0,5x0,5x0,5x0,5 = 0,0625.

Para o clculo da probabilidade X=1 deve-se trabalhar com o evento 1K e 3C como
temos as opes a,b,c,d, que so mutuamente exclusivas, a regra da soma manda
efetuar a adio 0,0625 +0,0625 +0,0625 +0,0625 ou, o que o mesmo de se efetuar o
produto 4x 0,0625 = 0,25.
Noes de Probabilidade e Estatstica 96 Prof Berenice C. Damasceno

Desta forma analogamente temos:


x EVENTO f( x )

0 4 0 4
0 0K e 4C O,0625 = 1 X 0,5 X 0,5 = 1 p q

1 3 1 3
1 1K e 3C O,2500 = 4 X 0,5 X 0,5 = 4 p q

2 2 2 2
2 2K e 2C O,3750 = 6 X 0,5 X 0,5 = 6 p q

3 1 3 1
3 3K e 1C O,2500 = 4 X 0,5 X 0,5 = 4 p q

4 0 4 0
4 4K e 0C O,0625 = 1 X 0,5 X 0,5 = 1 p q


TOTAL 1,00


n = nmero de moedas

p = probabilidade de K : P(K) = 0,5

q = 1 p = probabilidade de C : P(C) = 0,5


Podemos usar a equao:

|

\
|
=

n
x x n x
n
)! ( . !
!
combinaes de n indivduos tomados x a x.

Generalizando temos a funo binomial f(x):

( )
x n x
q p
x n x
n
x f

= . .
! . !
!
) (



Noes de Probabilidade e Estatstica 97 Prof Berenice C. Damasceno
Exemplo: Distribuio binomial de x (nmero de coroas) para n = 10

X Nmero de Distribuio f(x)
Coroas em 10
jogadas Amostral


10 000976 , 0
1024
1
. 1
)! 10 10 ( ! 10
! 10
= == = = == =




9 009760 , 0
1024
1
. 10
)! 9 10 ( ! 9
! 10
= == = = == =




8 043940 , 0
1024
1
. 45
)! 8 10 ( ! 8
! 10
= == = = == =




7 117180 , 0
1024
1
. 120
)! 7 10 ( ! 7
! 10
= == = = == =




6 205070 , 0
1024
1
. 210
)! 6 10 ( ! 6
! 10
= == = = == =




5 246090 , 0
1024
1
. 252
)! 5 10 ( ! 5
! 10
= == = = == =




4 205070 , 0
1024
1
. 210
)! 4 10 ( ! 4
! 10
= == = = == =




3 117180 , 0
1024
1
. 120
)! 3 10 ( ! 3
! 10
= == = = == =




2 043940 , 0
1024
1
. 45
)! 2 10 ( ! 2
! 10
= == = = == =




1 009760 , 0
1024
1
. 10
)! 1 10 ( ! 1
! 10
= == = = == =




0 000976 , 0
1024
1
. 1
)! 0 10 ( ! 0
! 10
= == = = == =




Total de resultados = 2
10
= 1024
)! x n ( ! x
! n


Noes de Probabilidade e Estatstica 98 Prof Berenice C. Damasceno

EXERCCIOS:

Use a equao binomial para responder s questes abaixo:

1- Um fabricante de mesas de bilhar suspeita que 2% de seu produto apresenta algum
defeito. Se tal suspeita correta, determine a probabilidade de que, numa amostra
de nove mesas:
a- Haja ao menos uma defeituosa
b- No haja nenhuma defeituosa

2- Dos estudantes de um colgio, 41% FUMAM CIGARROS. Escolhem-se seis ao
acaso para darem sua opinio sobre o fumo.
a- Determine a probabilidade de nenhum dos seis estudantes ser fumante.
b- Determine a probabilidade de todos os seis serem fumantes.
c- Qual a probabilidade de ao menos a metade dos seis serem fumantes.

3- Doze por cento dos que reservam lugar num vo sistematicamente faltam ao
embarque. O avio comporta 15 passageiros. Determine a probabilidade de que
todos os 15 que reservaram lugar compaream ao embarque

4- Um revendedor de automveis novos constatou que 80% dos carros vendidos so
devolvidos ao departamento mecnico para corrigir defeitos de fabricao, nos
primeiros 25 dias apos a venda. De 11 carros vendidos num perodo de 5 dias, qual
a probabilidade de que:
a. Todos voltem dentro de 25 dias para reparo.
b. S um no volte

5- Suponha que 8% dos cachorros-quentes vendidos num estdio de futebol sejam
pedidos sem mostarda. Se sete pessoas pedem cachorro, determine a
probabilidade de que:
a. Todos queiram mostarda
b. Apenas um no a queira.
Noes de Probabilidade e Estatstica 99 Prof Berenice C. Damasceno
13.3 DISTRIBUIO DE POISSON

A chamada Distribuio de Poisson ou de Eventos Raros pode ser considerada um caso
limite da distribuio binomial. Quando n grande e p pequeno podemos usar a
aproximao de Poisson para a distribuio Binomial.
difcil dar condies precisas para que se possa usar a aproximao de Poisson, ou seja,
o que significa quando n grande e p pequeno. Como regra geral (de referncia
emprica) podemos usar:
n 100 e n.p 10

n = elementos da populao
p = probabilidade
Exemplo: n = 150 p = 0,05
Temos a distribuio de Poisson com:
n.p = 150 . (0,05) = 7,5
A equao a ser usada :
!
. ) . (
) (
.
x
e p n
x f
p n x
=

sendo e= 2,718 e = n.p

Exemplo: Sabe-se que 2% dos livros encadernados em uma certa livraria apresentam
defeitos de encadernao. Utilize a aproximao de Poisson da distribuio Binomial para
achar a probabilidade de que 5 entre 400 livros encadernados nessa livraria apresentam
algum defeito de encadernao.
Temos: n = 400 p = 2% = 0,02 x = 5 n.p = 400 . 0,02 = 8
- 8
e = 0,000335; temos ento:

0915 , 0
120
) 000335 , 0 ( ) 32768 (
! 5
. ) 8 (
) 5 (
8 5
= = =

e
f

Obs.: A distribuio de Poisson semelhante Binomial, diferenciando-se apenas no fato
de que na Binomial os eventos ocorrem por tentativas ou observaes fixas, enquanto que
na de Poisson os eventos ocorrem simultaneamente. Ex.; n de acidentes por dia, clientes
por hora, chamadas telefnicas por minuto, defeitos por cm
2
, etc.

Noes de Probabilidade e Estatstica 100 Prof Berenice C. Damasceno
Contra-exemplo: Suponhamos que os defeitos em fios para tear possam ser aproximados
por um processo de Poisson com mdia de 0,2 defeitos por metro (p = 0,2).
Inspecionando-se pedaos de fio de 6 metros de comprimento, determine a probabilidade
de menos de 2 (isto 0 ,1) defeitos.
Dados: n = 6 p = 0,2 n . p = 6 . 0,2 = 1,2
Para utilizarmos a aproximao de Poisson para a distribuio Binomial devemos ter:
1) n 100. (neste caso n = 6);
2) n.p 10 (neste caso n.p = 6 . 0,2 = 1,2).
Logo a 1 condio no verificada, isto implica que no poderemos utilizar Poisson.
Uma soluo possvel a utilizao da distribuio Binomial, ou seja:
P(x<2) = P(0) + P(1) , onde:
2621 , 0 8 , 0 . 1 . 1 8 , 0 . 2 , 0
! 6 ! 0
! 6
) 0 ( P
6 6 0
= == = = == = = == = e 3932 , 0 8 , 0 . 2 , 0 . 6 8 , 0 . 2 , 0
! 5 ! 1
! 6
) 1 ( P
5 5 1
= == = = == = = == =
Logo, P(x<2) = 0,6553 ou 65,53% de haver 0 ou 1 defeito.

EXERCICIOS:

1- O departamento de manuteno de computadores de uma Universidade recebe uma
mdia 5 computadores por dia. Qual a probabilidade que, em determinado dia,
selecionado aleatoriamente, sejam recebidos:
a- Exatamente 3 computaores;
b- Menos de 3 computadores.
2- Se 0,6% dos detonadores fornecidos a um arsenal so defeituosos, utilize a
aproximao de Poisson para a distribuio binomial para determinar a probabilidade de
que, em uma amostra aleatria de 500 detonadores, quatro sejam defeituosos.
3- Em uma certa cidade 3,2% dos habitantes se envolve em, ao menos, um acidente de
carro em um ano. Com o auxilio da aproximao de Poisson para a distribuio
Binomial, determine a probabilidade de que, dentre 200 motoristas escolhidos
aleatoriamente nessa cidade:
a- Exatamente seis se envolvam em ao menos um acidente em um ano;
b- No mximo oito se envolvam em ao menos um acidente em um ano;
c- Cinco ou mais se envolvam em ao menos um acidente em um ano;
4- Suponha que, em mdia 2% das pessoas sejam canhotas. Encontre a probabilidade de
3 ou mais canhotos em 100 pessoas.
Noes de Probabilidade e Estatstica 101 Prof Berenice C. Damasceno
13.4 DISTRIBUIO NORMAL (ou de GAUSS ou de LAPLACE)

uma distribuio contnua e simtrica, cujo grfico tem a forma de um sino. A distribuio
normal o resultado da atuao conjunta de causas aleatrias.










Parmetros da Distribuio Normal

Mdia da Populao
Determinam o formato da curva
Desvio padro da populao


Equao da Funo de Probabilidade A equao da funo de probabilidade dada pela
expresso:
2
2
2
) (
2
1
) (



=
x
e x f

Do estudo da estatstica conclui-se que:
- a varivel x pode assumir qualquer valor real no intervalo - x +
- a varivel x obedecer uma Distribuio Normal, se a probabilidade de que um
valor x seja menor ou igual a outro x
0
for:
F (x)












- 3 - 2 - 1 + 1 + 2 + 3











Noes de Probabilidade e Estatstica 102 Prof Berenice C. Damasceno

dx e x f x x P
x
x



= = <
0
2
2
2
) (
0 0
2
1
) ( ) (





- a integral desta expresso representa a rea compreendida entre - e x
0
.















- +






Portanto:

A probabilidade de ocorrncia de um valor menor ou igual rea abaixo da curva, entre
os valores - e x
0
dada pela equao anterior.
Os valores = 3,1416 e e ( nmero neperiano) = 2,718 so constantes numricas.
F (x)












X
0


Noes de Probabilidade e Estatstica 103 Prof Berenice C. Damasceno

CARACTERSTICAS DA CURVA DE DISTRIBUIO NORMAL

A curva normal obedece necessariamente s seguintes caractersticas:

a- A mdia o valor da varivel x para o qual a f(x) mxima.

b- O desvio padro , a distncia entre a mdia e o ponto de inflexo da curva.

c- A rea total sob a curva normal igual a 1, pela prpria equao da probabilidade.

d- Em virtude da simetria as reas direita e esquerda do valor so iguais


DISTRIBUIO NORMAL PADRONIZADA

Se tomarmos a equao auxiliar:


=
x
z

o que significa adotar como origem do eixo z o ponto em que x = e como unidade de
escalados z e o desvio padro , teremos transformado a expresso da funo das
probabilidades na distribuio normal reduzida:

2
2
2
1
) (
z
e z f

=



Considerando, a partir da equao auxiliar:

dz dx
dx
dz

= =
1


Portanto a funo da probabilidade, em funo de Z, ser dada pela expresso:

Noes de Probabilidade e Estatstica 104 Prof Berenice C. Damasceno
dz e z f
z
z

=
0
2
2
2
1
) (



As reas sob a curva permanecem as mesmas, mas agora podem ser tabuladas em
funo dos valores de Z (Ver figura abaixo, eixo dos Z). Basta construir a tbua das reas
para os valores I(z), mostrados na tabela da pgina 56.

Por exemplo, a rea desde Z=0 at Z= 1,0 I(1,0) = 0,3413 ou 34,13% da rea total da
curva; conseqentemente, dentro do intervalo 1 temos 68,26% da rea total da curva.

Se procurarmos a probabilidade de encontrarmos um valor de x dentro do intervalo
0,95 onde a mdia, o desvio padro da populao, teremos:

) 95 , 0 95 , 0 ( ) (
0 0
+ < < = + < < z P z z z P
I
Z1
= 0,3289 I
t
= 0,6578 ou 65,78%.

Apresentamos na tabela abaixo alguns dos mais importantes intervalos de distribuio
normal para aplicaes em exerccios de probabilidade na curva normal.
Noes de Probabilidade e Estatstica 105 Prof Berenice C. Damasceno
TBUAS DE REAS DA CURVA NORMAL

A partir da equao auxiliar


=
x
z
podemos transformar valores de x em valores de z e
em seguida construir uma tabela com resultados das integrais, que corresponde rea sob
a curva x
0
intervalo de 0 a Z
0
identificada por I
Z0
.




-3 -2 -1 0 1 2 3 Z

F (x)












- 3( ( - 2( ( - 1( ( ( + 1( ( + 2( ( + 3(











Noes de Probabilidade e Estatstica 106 Prof Berenice C. Damasceno

Transformao de X em Z

x
0


=
x
z

z
0




0
+ 1

+1


1
+ 2

+ 2


2
+ 3

+3


3
- 1

1


-1
- 2

2


-2
- 3

3


-3






Noes de Probabilidade e Estatstica 107 Prof Berenice C. Damasceno




I
Z0










0 Z
0




AREAS I
Z0
= P (0 z Z
0
) para Z
0
= (x - )/
Z
0
I
Z0

Z
0


I
Z0

Z
0


I
Z0

Z
0


I
Z0

Z
0


I
Z0

Z
0


I
Z0

0,00 0,0000 0,60 0,2257 1,20 0,3849 1,80 0,4641 2,40 0,4918 3,00 0,4987
0,05 0,0199 0,65 0,2422 1,25 0,3944 1,85 0,4678 2,45 0,4929 3,05 0,4989
0,10 0,0398 0,70 0,2580 1,30 0,4032 1,90 0,4713 2,50 0,4938 3,10 0,4990
0,15 0,0596 0,75 0,2734 1,35 0,4115 1,95 0,4744 2,55 0,4946 3,15 0,4992
0,20 0,0793 0,80 0,2881 1,40 0,4192 2,00 0,4772 2,60 0,4953 3,20 0,4993
0,25 0,0987 0,85 0,3051 1,45 0,4279 2,05 0,4798 2,65 0,4960 3,25 0,4994
0,30 0,1179 0,90 0,3159 1,50 0,4332 2,10 0,4821 2,70 0,4965 3,30 0,4995
0,35 0,1369 0,95 0,3289 1,55 0,4394 2,15 0,4842 2,75 0,4970 3,35 0,4996
0,40 0,1554 1,00 0,3413 1,60 0,4452 2,20 0,4861 2,80 0,4974 3,40 0,4997
0,45 0,1736 1,05 0,3531 1,65 0,4505 2,25 0,4878 2,85 0,4978 3,50 0,4998
0,50 0,1915 1,10 0,3643 1,70 0,4554 2,30 0,4893 2,90 0,4981 3,70 0,4999
0,55 0,2088 1,15 0,3749 1,75 0,4599 2,35 0,4906 2,95 0,4984 3,90 0,5000

Noes de Probabilidade e Estatstica 108 Prof Berenice C. Damasceno

EXERCCIOS

1- Trace uma curva normal e sombreie a rea desejada a partir das informaes:

a- rea direita de z=1,0
b- rea da esquerda de z= 1,0
c- rea entre z=0 e z=1,5
d- rea entre z=0 e z= - 2,9
e- rea entre z=1,0 e z= 2,0
f- rea entre z= -2,0 e z= 2,0
g- rea entre z= 2,5 e z=3,0


2- Ache os valores de z correspondentes s seguintes reas:

a- rea esquerda de para Iz = 0,0596
b- rea esquerda de para Iz = 0,2257
c- rea esquerda de para Iz= 0,4505 e rea direita de para Iz = 0,4861

3- Uma distribuio normal tem mdia 50 e desvio padro 5. Que porcentagem da
populao estaria provavelmente dentro dos intervalos:

a- P(x 60)
b- P(35 x 62)
c- P(55 x 65)
d- P(x 55)
e- P(35 x 45)
Noes de Probabilidade e Estatstica 109 Prof Berenice C. Damasceno

4- Suponha uma renda mdia de uma grande comunidade possa ser razoavelmente
aproximada por uma distribuio normal com media anual de R$ 10.000,00 e desvio
padro de R$ 2.000,00.
a- Que porcentagem da populao ter renda superior a R$ 15.000,00?
b- Numa amostra de 50 assalariados, quantos podemos esperar que tenham
menos de R$ 8.000,00 de renda?

5- Considere um problema semelhante ao anterior, sendo a renda mdia de um grupo
de trabalhadores igual a R$ 7000,00 e o desvio R$ 800,00 e a distribuio sendo
normal, pede-se:

a- A probabilidade dos trabalhadores ganharem acima de R$ 8000, 00;
b- O limite inferior da renda dos 10 % mais ricos.

6- O adulto americano mdio tem 1,75 m de altura. Assuma que o desvio seja 8 cm.
Responda:
a- qual a probabilidade de que um homem adulto tenha mais de 1,83 m ?
b- qual a probabilidade de que um homem adulto tenha menos de 1,522 m ?
c- qual a probabilidade de que um homem adulto tenha entre 1,682 e
1,778 m ?
d- qual a probabilidade de que um homem adulto no tenha mais de 1,83 m ?

7- O volume de comercializao na Bolsa de Valores de Nova York tem crescido nos
ltimos anos. Para as duas primeiras semanas de janeiro de 1998, o volume mdio
dirio foi de 646 milhes de aes. A distribuio de probabilidade
aproximadamente normal com desvio de 100 milhes de aes.
a- Qual a probabilidade de que o volume de comercializao ser menor de 400
milhes?
b- Qual a probabilidade de que o volume de comercializao excedeu 801
milhes?